論文の概要: An Experimental Evaluation on Deepfake Detection using Deep Face
Recognition
- arxiv url: http://arxiv.org/abs/2110.01640v1
- Date: Mon, 4 Oct 2021 18:02:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-06 14:26:33.706416
- Title: An Experimental Evaluation on Deepfake Detection using Deep Face
Recognition
- Title（参考訳）: ディープフェイス認識を用いたディープフェイク検出の実験的検討
- Authors: Sreeraj Ramachandran, Aakash Varma Nadimpalli, Ajita Rattani
- Abstract要約: ディープラーニングは、ディープフェイク(deepfakes)として知られる非常に現実的なフェイクコンテンツを生み出した。
現在のディープフェイク検出法のほとんどは、2クラス畳み込みニューラルネットワーク(CNN)を用いた偽のイメージやビデオとを区別する二項分類問題と見なされている。
本稿では,異なる損失関数とディープフェイク生成技術を用いて,ディープフェイク識別におけるディープフェイク認識の有効性を徹底的に評価する。
- 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: Significant advances in deep learning have obtained hallmark accuracy rates
for various computer vision applications. However, advances in deep generative
models have also led to the generation of very realistic fake content, also
known as deepfakes, causing a threat to privacy, democracy, and national
security. Most of the current deepfake detection methods are deemed as a binary
classification problem in distinguishing authentic images or videos from fake
ones using two-class convolutional neural networks (CNNs). These methods are
based on detecting visual artifacts, temporal or color inconsistencies produced
by deep generative models. However, these methods require a large amount of
real and fake data for model training and their performance drops significantly
in cross dataset evaluation with samples generated using advanced deepfake
generation techniques. In this paper, we thoroughly evaluate the efficacy of
deep face recognition in identifying deepfakes, using different loss functions
and deepfake generation techniques. Experimental investigations on challenging
Celeb-DF and FaceForensics++ deepfake datasets suggest the efficacy of deep
face recognition in identifying deepfakes over two-class CNNs and the ocular
modality. Reported results suggest a maximum Area Under Curve (AUC) of 0.98 and
an Equal Error Rate (EER) of 7.1% in detecting deepfakes using face recognition
on the Celeb-DF dataset. This EER is lower by 16.6% compared to the EER
obtained for the two-class CNN and the ocular modality on the Celeb-DF dataset.
Further on the FaceForensics++ dataset, an AUC of 0.99 and EER of 2.04% were
obtained. The use of biometric facial recognition technology has the advantage
of bypassing the need for a large amount of fake data for model training and
obtaining better generalizability to evolving deepfake creation techniques.
- Abstract（参考訳）: ディープラーニングの顕著な進歩により、様々なコンピュータビジョン応用の目覚しい精度が得られた。
しかし、深層生成モデルの進歩は、ディープフェイク(deepfakes)として知られる非常に現実的な偽コンテンツを生み出し、プライバシー、民主主義、国家安全保障への脅威を引き起こしている。
現在のディープフェイク検出手法のほとんどは、2クラス畳み込みニューラルネットワーク(CNN)を用いた偽のイメージやビデオとを区別するバイナリ分類問題であると考えられている。
これらの手法は、深い生成モデルによって生成される視覚的アーティファクト、時間的または色的不整合を検出することに基づいている。
しかし、これらの手法はモデルトレーニングに大量の実データと偽データを必要とし、その性能低下は高度なディープフェイク生成技術を用いて生成されたサンプルを用いたクロスデータセット評価において顕著である。
本稿では,異なる損失関数とディープフェイク生成技術を用いて,ディープフェイク識別におけるディープフェイク認識の有効性を徹底的に評価する。
celeb-dfとfaceforensics++のdeepfakeデータセットへの挑戦に関する実験的研究は、2つのクラスcnnと眼のモダリティに対するディープフェイク同定におけるディープフェイク認識の有効性を示唆している。
以上の結果から,celeb-dfデータセット上での顔認識を用いたディープフェイク検出において,曲線下最大面積は0.08 %,誤り率(eer)は7.1%であった。
このEERは、2クラスCNNで得られたEERとCeleb-DFデータセットで得られた眼のモダリティと比較して16.6%低い。
さらにFaceForensics++データセットでは、AUCの0.99とEERの2.04%が得られた。
生体認証技術の使用は、モデルトレーニングのための大量の偽データの必要性を回避し、ディープフェイク生成技術の発展により良い一般化性を得るという利点がある。
関連論文リスト
- UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。
我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
論文 参考訳（メタデータ） (2024-07-26T20:51:54Z) - Unmasking Deepfake Faces from Videos Using An Explainable Cost-Sensitive
Deep Learning Approach [0.0]
ディープフェイク技術は広く使われており、デジタルメディアの信頼性に関する深刻な懸念につながっている。
本研究は,映像中のディープフェイク顔を効果的に検出するために,リソース効率が高く透明なコスト感受性深層学習法を用いている。
論文 参考訳（メタデータ） (2023-12-17T14:57:10Z) - DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake
Detection [67.3143177137102]
ディープフェイク検出(Deepfake detection)とは、画像やビデオにおいて、人工的に生成された顔や編集された顔を検出すること。
本稿では,実顔と偽顔とを適応的に識別するDeepFidelityという新しいDeepfake検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-07T07:19:45Z) - Facial Forgery-based Deepfake Detection using Fine-Grained Features [7.378937711027777]
ディープフェイクによる顔の偽造は、大きなセキュリティリスクを引き起こし、深刻な社会的懸念を引き起こしている。
我々は,詳細な分類問題としてディープフェイク検出を定式化し,それに対する新たなきめ細かな解を提案する。
本手法は, 背景雑音を効果的に抑制し, 様々なスケールの識別特徴を学習することにより, 微妙で一般化可能な特徴を学習し, 深度検出を行う。
論文 参考訳（メタデータ） (2023-10-10T21:30:05Z) - CrossDF: Improving Cross-Domain Deepfake Detection with Deep Information Decomposition [53.860796916196634]
クロスデータセットディープフェイク検出(CrossDF)の性能を高めるためのディープ情報分解(DID)フレームワークを提案する。
既存のディープフェイク検出方法とは異なり、我々のフレームワークは特定の視覚的アーティファクトよりも高いレベルのセマンティック特徴を優先する。
顔の特徴をディープフェイク関連情報と無関係情報に適応的に分解し、本質的なディープフェイク関連情報のみを用いてリアルタイム・フェイク識別を行う。
論文 参考訳（メタデータ） (2023-09-30T12:30:25Z) - Robustness and Generalizability of Deepfake Detection: A Study with
Diffusion Models [35.188364409869465]
本稿では,ディープフェイクの作り方と識別方法について検討する。
私たちの研究の基盤は、DeepFakeFaceという名の有名人の顔の豊富なコレクションです。
このデータはディープフェイクを見つけるために設計されたアルゴリズムを訓練し、テストするための堅牢な基盤となる。
論文 参考訳（メタデータ） (2023-09-05T13:22:41Z) - Real Face Foundation Representation Learning for Generalized Deepfake
Detection [74.4691295738097]
ディープフェイク技術の出現は、個人のプライバシーと公共の安全に脅威をもたらすため、社会的な問題となっている。
十分な偽の顔を集めることはほぼ不可能であり、既存の検出器があらゆる種類の操作に一般化することは困難である。
本稿では,大規模な実顔データセットから一般表現を学習することを目的としたリアルフェイスファウンデーション表現学習(RFFR)を提案する。
論文 参考訳（メタデータ） (2023-03-15T08:27:56Z) - On Improving Cross-dataset Generalization of Deepfake Detectors [1.0152838128195467]
ディープフェイクによる顔の操作は、大きなセキュリティリスクを引き起こし、深刻な社会的懸念を引き起こしている。
我々は、教師付きおよび強化学習(RL)のハイブリッド組み合わせとして深層偽検出を定式化し、そのクロスデータセット一般化性能を改善する。
提案手法は,ディープフェイク検出器のクロスデータセット一般化における既存の研究よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-08T20:34:53Z) - Voice-Face Homogeneity Tells Deepfake [56.334968246631725]
既存の検出アプローチは、ディープフェイクビデオにおける特定のアーティファクトの探索に寄与する。
未探索の音声-顔のマッチングビューからディープフェイク検出を行う。
我々のモデルは、他の最先端の競合と比較して、大幅に性能が向上する。
論文 参考訳（メタデータ） (2022-03-04T09:08:50Z) - M2TR: Multi-modal Multi-scale Transformers for Deepfake Detection [74.19291916812921]
Deepfake技術によって生成された鍛造画像は、デジタル情報の信頼性に深刻な脅威をもたらします。
本稿では,Deepfake検出のための微妙な操作アーチファクトを異なるスケールで捉えることを目的とする。
最先端の顔スワッピングと顔の再現方法によって生成された4000のDeepFakeビデオで構成される高品質のDeepFakeデータセットSR-DFを紹介します。
論文 参考訳（メタデータ） (2021-04-20T05:43:44Z) - Improving DeepFake Detection Using Dynamic Face Augmentation [0.8793721044482612]
ほとんどの公開可能なDeepFake検出データセットには、限られたバリエーションがある。
ディープニューラルネットワークは、DeepFakeコンテンツの操作機能を検出するための学習ではなく、顔の特徴にオーバーフィットする傾向があります。
DeepFake検出を改善するために、CNN(Convolutional Neural Networks)をトレーニングするためのデータ拡張方法であるFace-Cutoutを紹介します。
論文 参考訳（メタデータ） (2021-02-18T20:25:45Z)
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。