論文の概要: A Continual Deepfake Detection Benchmark: Dataset, Methods, and Essentials

• arxiv url: http://arxiv.org/abs/2205.05467v1
• Date: Wed, 11 May 2022 13:07:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-05-12 17:45:03.056030
• Title: A Continual Deepfake Detection Benchmark: Dataset, Methods, and Essentials
• Title（参考訳）: 連続的ディープフェイク検出ベンチマーク:データセット、メソッド、本質
• Authors: Chuqiao Li, Zhiwu Huang, Danda Pani Paudel, Yabin Wang, Mohamad Shahbazi, Xiaopeng Hong, Luc Van Gool
• Abstract要約: 本稿では, 既知の生成モデルと未知の生成モデルの両方から, 新たなディープフェイク集合に対する連続的なディープフェイク検出ベンチマーク(CDDB)を提案する。 本研究では,連続的なディープラーニング検出問題に対して,連続的な視覚認識で一般的に使用される多クラス漸進学習手法を適応するために,複数のアプローチを利用する。
• 参考スコア（独自算出の注目度）: 97.69553832500547
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There have been emerging a number of benchmarks and techniques for the detection of deepfakes. However, very few works study the detection of incrementally appearing deepfakes in the real-world scenarios. To simulate the wild scenes, this paper suggests a continual deepfake detection benchmark (CDDB) over a new collection of deepfakes from both known and unknown generative models. The suggested CDDB designs multiple evaluations on the detection over easy, hard, and long sequence of deepfake tasks, with a set of appropriate measures. In addition, we exploit multiple approaches to adapt multiclass incremental learning methods, commonly used in the continual visual recognition, to the continual deepfake detection problem. We evaluate several methods, including the adapted ones, on the proposed CDDB. Within the proposed benchmark, we explore some commonly known essentials of standard continual learning. Our study provides new insights on these essentials in the context of continual deepfake detection. The suggested CDDB is clearly more challenging than the existing benchmarks, which thus offers a suitable evaluation avenue to the future research. Our benchmark dataset and the source code will be made publicly available.
• Abstract（参考訳）: ディープフェイクを検出するためのベンチマークやテクニックが数多く登場している。 しかし、現実世界のシナリオで徐々に現れるディープフェイクの検出を研究する研究はほとんどない。 そこで,本研究では,未知の生成モデルと未知の生成モデルの両方から,新たなディープフェイクのコレクションに対して連続的なディープフェイク検出ベンチマーク(CDDB)を提案する。 提案したCDDBは, 難易度, 難易度, 長期にわたる深度タスクの検出に関する複数の評価を, 適切な尺度を用いて設計する。 さらに,連続視覚認識によく用いられる多クラスインクリメンタル学習手法を,連続的ディープフェイク検出問題に適応させるために,複数の手法を適用した。 提案したCDDB上で,適応型を含むいくつかの手法を評価する。 提案するベンチマークでは,標準連続学習の共通部分について検討する。 本研究は, 連続的なディープフェイク検出の文脈におけるこれらの重要事項に関する新たな知見を提供する。 提案されたCDDBは、既存のベンチマークよりも明らかに困難であり、将来の研究に適切な評価方法を提供する。 ベンチマークデータセットとソースコードは公開される予定だ。

関連論文リスト

• Deepfake Media Generation and Detection in the Generative AI Era: A Survey and Outlook [101.30779332427217]
  本研究は,近年の現場開発を含むディープフェイク発生・検出技術について調査する。 偽コンテンツの変更や生成に使用する手順に従って,様々な種類のディープフェイクを識別する。 我々は,分布外コンテンツに基づくディープフェイク検出のための新しいマルチモーダル・ベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-11-29T08:29:25Z)
• Conditioned Prompt-Optimization for Continual Deepfake Detection [11.634681724245933]
  本稿では,Pmpt2Guardについて紹介する。 我々は,読み出し専用プロンプトを用いた予測アンサンブル手法を活用し,複数のフォワードパスの必要性を軽減した。 提案手法は,ディープフェイク検出に適したテキスト・プロンプト・コンディショニングを利用する。
  論文  参考訳（メタデータ） (2024-07-31T12:22:57Z)
• DF40: Toward Next-Generation Deepfake Detection [62.073997142001424]
  既存の研究は、ある特定のデータセットで検出器をトレーニングし、他の一般的なディープフェイクデータセットでテストすることで、トップノーチ検出アルゴリズムとモデルを識別する。 しかし、これらの「勝者」は現実の世界に潜む無数の現実的で多様なディープフェイクに取り組むために真に応用できるのだろうか? 我々は,40の異なるディープフェイク技術からなるDF40という,高度に多様なディープフェイク検出データセットを構築した。
  論文  参考訳（メタデータ） (2024-06-19T12:35:02Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Explicit Correlation Learning for Generalizable Cross-Modal Deepfake Detection [33.20064862916194]
  本稿では,様々な生成シナリオに対する深度検出を向上するために,モーダル間相関の可能性について学ぶことを目的とする。 本手法では,コンテンツ情報に基づく相互相関をモデル化した相関蒸留タスクを提案する。 そこで本研究では,多種多種多様深度深度の検出を4世代に分けて評価するクロスモーダル深度データセットを提案する。
  論文  参考訳（メタデータ） (2024-04-30T00:25:44Z)
• 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)
• DeepfakeBench: A Comprehensive Benchmark of Deepfake Detection [55.70982767084996]
  ディープフェイク検出の分野で見落とされがちな課題は、標準化され、統一され、包括的なベンチマークがないことである。 DeepfakeBenchと呼ばれる,3つの重要なコントリビューションを提供するディープフェイク検出のための,最初の包括的なベンチマークを提示する。 DeepfakeBenchには15の最先端検出方法、9CLデータセット、一連のDeepfake検出評価プロトコルと分析ツール、包括的な評価ツールが含まれている。
  論文  参考訳（メタデータ） (2023-07-04T01:34:41Z)
• TAR: Generalized Forensic Framework to Detect Deepfakes using Weakly Supervised Learning [17.40885531847159]
  ディープフェイクは重要な社会問題となり、それらを検出することが非常に重要です。 本研究では,異なる種類のディープフェイクを同時に検出する実用的なデジタル鑑識ツールを提案する。 レジデンシャルブロックを用いた自動エンコーダベースの検出モデルを開発し、異なる種類のディープフェイクを同時に検出する転送学習を順次実施します。
  論文  参考訳（メタデータ） (2021-05-13T07:31:08Z)
• Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
  Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。 マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。 このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
  論文  参考訳（メタデータ） (2020-01-06T13:37:51Z)

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。