論文の概要: Deep Fake Detection: Survey of Facial Manipulation Detection Solutions
- arxiv url: http://arxiv.org/abs/2106.12605v1
- Date: Wed, 23 Jun 2021 18:08:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-25 15:16:29.159346
- Title: Deep Fake Detection: Survey of Facial Manipulation Detection Solutions
- Title（参考訳）: ディープフェイク検出:顔面マニピュレーション検出ソリューションの調査
- Authors: Samay Pashine, Sagar Mandiya, Praveen Gupta, and Rashid Sheikh
- Abstract要約: 我々は、アートニューラルネットワーク(MesoNet、ResNet-50、VGG-19、Xception Net)のいくつかの状態を分析し、それらを互いに比較する。
オンラインソーシャルメディアプラットフォームにデプロイされるリアルタイムのディープフェイク検出など,さまざまなシナリオに対する最適なソリューションを見つけました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep Learning as a field has been successfully used to solve a plethora of
complex problems, the likes of which we could not have imagined a few decades
back. But as many benefits as it brings, there are still ways in which it can
be used to bring harm to our society. Deep fakes have been proven to be one
such problem, and now more than ever, when any individual can create a fake
image or video simply using an application on the smartphone, there need to be
some countermeasures, with which we can detect if the image or video is a fake
or real and dispose of the problem threatening the trustworthiness of online
information. Although the Deep fakes created by neural networks, may seem to be
as real as a real image or video, it still leaves behind spatial and temporal
traces or signatures after moderation, these signatures while being invisible
to a human eye can be detected with the help of a neural network trained to
specialize in Deep fake detection. In this paper, we analyze several such
states of the art neural networks (MesoNet, ResNet-50, VGG-19, and Xception
Net) and compare them against each other, to find an optimal solution for
various scenarios like real-time deep fake detection to be deployed in online
social media platforms where the classification should be made as fast as
possible or for a small news agency where the classification need not be in
real-time but requires utmost accuracy.
- Abstract（参考訳）: 分野としてのディープラーニングは、数十年前に想像できなかったような、多くの複雑な問題の解決に成功しています。
しかし、それがもたらす多くの利益は、社会に害をもたらすのに使える方法がまだ残っています。
ディープフェイクはそのような問題のひとつであることが証明されており、スマートフォン上で単にアプリケーションを使って偽の画像やビデオを作成できる場合には、画像や動画が偽物なのか本物なのかを検知し、オンライン情報の信頼性を脅かす問題を処分する、何らかの対策が必要になります。
ニューラルネットワークによって作成されたディープフェイクは、実際の画像やビデオと同じくらいリアルに思えるかもしれないが、モデレーション後の空間的および時間的痕跡やシグネチャは残っており、人間の目に見えないシグネチャは、ディープフェイク検出を専門に訓練されたニューラルネットワークによって検出することができる。
本稿では,アートニューラルネット(mesonet,resnet-50,vgg-19,xception net)のいくつかの状態を分析し,それらを比較することで,分類をできるだけ早く行うべきオンラインソーシャルメディアプラットフォームや,その分類をリアルタイムに必要とせず,かつ最も正確性を要する小さなニュース機関において,リアルタイムのディープフェイク検出のような様々なシナリオに対して最適な解決策を見出す。
関連論文リスト
- Comparative Analysis of Deep-Fake Algorithms [0.0]
ディープフェイク(Deepfakes)は、ディープラーニングベースのフェイクビデオとしても知られており、近年大きな関心を集めている。
これらのディープフェイクビデオは、誤った情報を広めたり、個人を偽装したり、フェイクニュースを作るといった悪質な目的で使用することができる。
ディープフェイク検出技術は、顔認識、モーション分析、音声と視覚の同期といった様々なアプローチを使用する。
論文 参考訳（メタデータ） (2023-09-06T18:17:47Z) - Deep Convolutional Pooling Transformer for Deepfake Detection [54.10864860009834]
本研究では,局所的・グローバル的に決定的な画像特徴を取り入れた深部畳み込み変換器を提案する。
具体的には,抽出した特徴を充実させ,有効性を高めるために,畳み込みプーリングと再アテンションを適用した。
提案手法は、内部実験と相互データセット実験の両方において、最先端のベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2022-09-12T15:05:41Z) - Using Deep Learning to Detecting Deepfakes [0.0]
ディープフェイク(Deepfakes)とは、ある人物の顔を別のコンピュータが生成した顔に置き換えるビデオまたは画像である。
このオンライン脅威に対抗するために、研究者たちはディープフェイクを検出するモデルを開発した。
本研究では、ディープラーニングアルゴリズムを用いて、この略奪的な脅威に対処する様々なディープフェイク検出モデルについて検討する。
論文 参考訳（メタデータ） (2022-07-27T17:05:16Z) - A Survey of Deep Fake Detection for Trial Courts [2.320417845168326]
DeepFakeのアルゴリズムは、人間が本物と区別できない偽のイメージやビデオを作成することができる。
偽の情報を拡散するのを避けるために、偽の動画を検出することが不可欠になっている。
本稿では,DeepFakeを検知する手法と,DeepFakeを検出できるデータセットについて検討する。
論文 参考訳（メタデータ） (2022-05-31T13:50:25Z) - Watch Those Words: Video Falsification Detection Using Word-Conditioned
Facial Motion [82.06128362686445]
本稿では,安価なディープフェイクと視覚的に説得力のあるディープフェイクの両方を扱うためのマルチモーダルな意味法医学的アプローチを提案する。
帰属という概念を利用して、ある話者と他の話者を区別する個人固有の生体パターンを学習する。
既存の個人固有のアプローチとは異なり、この手法は口唇の操作に焦点を当てた攻撃にも有効である。
論文 参考訳（メタデータ） (2021-12-21T01:57:04Z) - Multi-attentional Deepfake Detection [79.80308897734491]
ディープフェイクによる顔の偽造はインターネットに広まり、深刻な社会的懸念を引き起こしている。
新たなマルチアテンテーショナルディープフェイク検出ネットワークを提案する。
具体的には,1)ネットワークを異なる局所的部分へ配置するための複数の空間的注意ヘッド,2)浅い特徴の微妙なアーティファクトをズームするテクスチャ的特徴拡張ブロック,3)低レベルなテクスチャ特徴と高レベルなセマンティクス特徴をアグリゲートする,の3つの構成要素からなる。
論文 参考訳（メタデータ） (2021-03-03T13:56:14Z) - WildDeepfake: A Challenging Real-World Dataset for Deepfake Detection [82.42495493102805]
我々は,インターネットから完全に収集された707のディープフェイクビデオから抽出された7,314の顔シーケンスからなる新しいデータセットWildDeepfakeを紹介した。
既存のWildDeepfakeデータセットと我々のWildDeepfakeデータセットのベースライン検出ネットワークを体系的に評価し、WildDeepfakeが実際により困難なデータセットであることを示す。
論文 参考訳（メタデータ） (2021-01-05T11:10:32Z) - Identity-Driven DeepFake Detection [91.0504621868628]
アイデンティティ駆動のDeepFake Detectionは、被疑者画像/ビデオとターゲットのアイデンティティ情報を入力する。
被疑者画像・映像の同一性は対象人物と同一かという判断を出力する。
本稿では,新たな研究のベースラインとして,簡単な識別ベース検出アルゴリズムであるouterfaceを提案する。
論文 参考訳（メタデータ） (2020-12-07T18:59:08Z) - What makes fake images detectable? Understanding properties that
generalize [55.4211069143719]
深層ネットワークは、博士画像の微妙なアーティファクトを拾い上げることができる。
我々は、偽画像のどの特性が検出可能かを理解することを模索する。
検出可能な特性を誇張する手法を示す。
論文 参考訳（メタデータ） (2020-08-24T17:50:28Z) - Deepfake Video Forensics based on Transfer Learning [0.0]
ディープフェイク」は、人間が本物のものと区別できない偽のイメージやビデオを作ることができる。
本稿では,各ディープフェイク映像フレームの特徴を把握するために,画像分類モデルを再学習する方法について述べる。
Deepfakeのビデオをチェックすると、87%以上の精度が得られた。
論文 参考訳（メタデータ） (2020-04-29T13:21:28Z) - Adversarial Deepfakes: Evaluating Vulnerability of Deepfake Detectors to
Adversarial Examples [23.695497512694068]
ビデオ操作技術の最近の進歩は、偽ビデオの生成をこれまで以上にアクセスしやすくしている。
操作されたビデオは偽情報を燃やし、メディアの信頼を減らすことができる。
近年開発されたDeepfake検出方法は、AI生成のフェイクビデオと実際のビデオとを区別するために、ディープニューラルネットワーク(DNN)に依存している。
論文 参考訳（メタデータ） (2020-02-09T07:10:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。