論文の概要: A Review of Deep Learning-based Approaches for Deepfake Content
Detection
- arxiv url: http://arxiv.org/abs/2202.06095v1
- Date: Sat, 12 Feb 2022 16:22:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-17 11:21:17.798384
- Title: A Review of Deep Learning-based Approaches for Deepfake Content
Detection
- Title（参考訳）: ディープフェイクコンテンツ検出のための深層学習に基づくアプローチのレビュー
- Authors: Leandro A. Passos, Danilo Jodas, Kelton A. P. da Costa, Luis A. Souza
J\'unior, Danilo Colombo, Jo\~ao Paulo Papa
- Abstract要約: ディープラーニング技術は、フェイクイメージやビデオ操作など、いくつかのアプリケーション領域におけるフェイクコンテンツを予測することができる。
本稿では,ディープラーニングを用いたコンテンツ検出に関する最近の研究を包括的にレビューする。
- 参考スコア（独自算出の注目度）: 0.36944296923226316
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The fast-spreading information over the internet is essential to support the
rapid supply of numerous public utility services and entertainment to users.
Social networks and online media paved the way for modern,
timely-communication-fashion and convenient access to all types of information.
However, it also provides new chances for ill use of the massive amount of
available data, such as spreading fake content to manipulate public opinion.
Detection of counterfeit content has raised attention in the last few years for
the advances in deepfake generation. The rapid growth of machine learning
techniques, particularly deep learning, can predict fake content in several
application domains, including fake image and video manipulation. This paper
presents a comprehensive review of recent studies for deepfake content
detection using deep learning-based approaches. We aim to broaden the
state-of-the-art research by systematically reviewing the different categories
of fake content detection. Furthermore, we report the advantages and drawbacks
of the examined works and future directions towards the issues and shortcomings
still unsolved on deepfake detection.
- Abstract（参考訳）: インターネット上で急速に広がる情報は、多くの公共事業サービスやエンターテイメントの迅速な供給を支援するために不可欠である。
ソーシャルネットワークとオンラインメディアは、現代的なタイムリーなコミュニケーションファシオンと、あらゆる種類の情報への便利なアクセスの道を開いた。
しかし、フェイクコンテンツを拡散して世論を操作するなど、大量のデータを不正に利用するための新たなチャンスも与えている。
近年, 偽造コンテンツの検出が注目され, ディープフェイク発生の進展が注目されている。
機械学習技術、特にディープラーニングの急速な成長は、偽画像やビデオ操作を含む、いくつかのアプリケーションドメインで偽コンテンツを予測することができる。
本稿では,ディープラーニングを用いたコンテンツ検出に関する最近の研究を概観する。
我々は,偽コンテンツ検出の異なるカテゴリを体系的にレビューすることにより,最先端の研究を広めることを目指している。
さらに,本研究のメリットと欠点を報告するとともに,深度検出に未解決の課題と欠点について述べる。
関連論文リスト
- Deep Learning Technology for Face Forgery Detection: A Survey [17.519617618071003]
ディープラーニングにより、高忠実度顔画像やビデオの作成や操作が可能になった。
この技術はディープフェイクとしても知られ、劇的な進歩を遂げ、ソーシャルメディアで人気を博している。
ディープフェイクのリスクを低減するため、強力な偽造検出方法を開発することが望ましい。
論文 参考訳（メタデータ） (2024-09-22T01:42:01Z) - Audio Anti-Spoofing Detection: A Survey [7.3348524333159]
ディープラーニングは、Deepfakeとして知られるマルチメディアフェイクコンテンツを操作または作成できる洗練されたアルゴリズムを生み出した。
防汚対策の開発を促進するため, 防汚対策の音響的課題が編成されている。
本稿では,アルゴリズムアーキテクチャ,最適化手法,アプリケーション一般化性,評価指標,パフォーマンス比較,利用可能なデータセット,オープンソース可用性など,検出パイプライン内のすべてのコンポーネントについて,包括的なレビューを行う。
論文 参考訳（メタデータ） (2024-04-22T06:52:12Z) - A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual
Learning [76.47138162283714]
蓄積とは、以前取得した情報や知識の喪失または劣化を指す。
フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。
調査では、忘れることは二重刃の剣であり、ある場合には有益で望ましいと論じている。
論文 参考訳（メタデータ） (2023-07-16T16:27:58Z) - Fighting Malicious Media Data: A Survey on Tampering Detection and
Deepfake Detection [115.83992775004043]
近年のディープラーニング、特に深層生成モデルの発展により、知覚的に説得力のある画像や動画を低コストで制作するための扉が開かれた。
本稿では,現在のメディアタンパリング検出手法を概観し,今後の研究の課題と動向について論じる。
論文 参考訳（メタデータ） (2022-12-12T02:54:08Z) - 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) - Deep Long-Tailed Learning: A Survey [163.16874896812885]
ディープ・ロングテール・ラーニング(Deep Long-tailed Learning)は、長いテールのクラス分布に追従する多数の画像から、優れたパフォーマンスのディープモデルをトレーニングすることを目的としている。
長い尾を持つクラス不均衡は、現実的な視覚認識タスクにおいて一般的な問題である。
本稿では,近年の長期学習の進歩を包括的に調査する。
論文 参考訳（メタデータ） (2021-10-09T15:25:22Z) - Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。
本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。
種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
論文 参考訳（メタデータ） (2021-05-29T21:22:24Z) - Deepfakes Generation and Detection: State-of-the-art, open challenges,
countermeasures, and way forward [2.15242029196761]
不正情報、リベンジポルノ、金融詐欺、詐欺、政府機能を妨害するディープフェイクを発生させることが可能である。
オーディオとビデオの両方のディープフェイクの検出と生成のアプローチをレビューする試みは行われていない。
本稿では、deepfake生成のための既存のツールと機械学習(ml)ベースのアプローチの包括的なレビューと詳細な分析を提供する。
論文 参考訳（メタデータ） (2021-02-25T18:26:50Z) - A Survey on Deep Learning Techniques for Video Anomaly Detection [0.0]
本稿では,ディープラーニングを用いた異常検出の分野における最近の進歩について概観する。
ディープラーニングは、コンピュータビジョンや自然言語処理など、人工知能の多くの分野で成功している。
論文 参考訳（メタデータ） (2020-09-29T16:40:46Z) - Artificial Fingerprinting for Generative Models: Rooting Deepfake
Attribution in Training Data [64.65952078807086]
光現実性画像生成は、GAN(Generative Adversarial Network)のブレークスルーにより、新たな品質レベルに達した。
しかし、このようなディープフェイクのダークサイド、すなわち生成されたメディアの悪意ある使用は、視覚的誤報に関する懸念を提起する。
我々は,モデルに人工指紋を導入することによって,深度検出の積極的な,持続可能なソリューションを模索する。
論文 参考訳（メタデータ） (2020-07-16T16:49:55Z) - Deep Learning for Anomaly Detection: A Review [150.9270911031327]
本稿では,3つの高レベルカテゴリと11の細粒度カテゴリの進歩を網羅した包括的分類法による深部異常検出の研究について調査する。
我々は、それらの重要な直観、客観的機能、基礎となる仮定、利点とデメリットをレビューし、上記の課題にどのように対処するかについて議論する。
論文 参考訳（メタデータ） (2020-07-06T02:21:16Z)
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。