論文の概要: Deepfake Detection using Biological Features: A Survey

• arxiv url: http://arxiv.org/abs/2301.05819v1
• Date: Sat, 14 Jan 2023 05:07:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-18 18:42:44.571082
• Title: Deepfake Detection using Biological Features: A Survey
• Title（参考訳）: 生物学的特徴を用いたディープフェイク検出:調査
• Authors: Kundan Patil, Shrushti Kale, Jaivanti Dhokey, Abhishek Gulhane
• Abstract要約: 本研究は, ディープフェイクの歴史, 発達と検出, 生理的測定に基づく課題について述べる。 ディープフェイクは個人を脅迫し、テロ攻撃を計画し、偽情報を広め、個人を非難し、政治的混乱を防いだ。
• 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: Deepfake is a deep learning-based technique that makes it easy to change or modify images and videos. In investigations and court, visual evidence is commonly employed, but these pieces of evidence may now be suspect due to technological advancements in deepfake. Deepfakes have been used to blackmail individuals, plan terrorist attacks, disseminate false information, defame individuals, and foment political turmoil. This study describes the history of deepfake, its development and detection, and the challenges based on physiological measurements such as eyebrow recognition, eye blinking detection, eye movement detection, ear and mouth detection, and heartbeat detection. The study also proposes a scope in this field and compares the different biological features and their classifiers. Deepfakes are created using the generative adversarial network (GANs) model, and were once easy to detect by humans due to visible artifacts. However, as technology has advanced, deepfakes have become highly indistinguishable from natural images, making it important to review detection methods.
• Abstract（参考訳）: Deepfakeは、画像やビデオの変更や修正を容易にするディープラーニングベースのテクニックだ。 調査や法廷では、視覚的な証拠が一般的に用いられるが、ディープフェイクの技術的進歩により、これらの証拠が疑われることがある。 ディープフェイクは個人を脅迫し、テロ攻撃を計画し、偽情報を広め、個人を非難し、政治的混乱を防いだ。 本研究は, ディープフェイクの歴史, その発達と検出, および, 視線認識, 点眼検出, 眼球運動検出, 耳と口の検知, 心拍検出などの生理学的測定に基づく課題について述べる。 この研究はまた、この分野のスコープを提案し、異なる生物学的特徴とその分類器を比較した。 deepfakesはgenerative adversarial network (gans)モデルを使用して作成され、かつては目に見えるアーティファクトのために人間が容易に検出できた。 しかし、技術が進歩するにつれて、ディープフェイクは自然画像と区別しにくくなり、検出方法の見直しが重要である。

関連論文リスト

• Understanding Audiovisual Deepfake Detection: Techniques, Challenges, Human Factors and Perceptual Insights [49.81915942821647]
  ディープラーニングは様々な分野に適用され、ディープフェイク検出への影響は例外ではない。 ディープフェイク(英: Deepfakes)は、政治的偽造、フィッシング、スランダリング、偽情報の拡散に偽装的に使用できる、偽物だが現実的な合成コンテンツである。 本稿では,ディープフェイク検出戦略の有効性を改善し,サイバーセキュリティとメディアの整合性に関する今後の研究を導くことを目的とする。
  論文  参考訳（メタデータ） (2024-11-12T09:02:11Z)
• Deepfake detection in videos with multiple faces using geometric-fakeness features [79.16635054977068]
  被害者や人物のディープフェイクは、脅迫、ゆがみ、金融詐欺の詐欺師によって使用される。 本研究では,映像中の顔の存在の動的度を特徴付ける幾何学的フェイクネス機能(GFF)を提案する。 我々は、ビデオに同時に存在する複数の顔でビデオを分析するために、我々のアプローチを採用している。
  論文  参考訳（メタデータ） (2024-10-10T13:10:34Z)
• 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)
• Deepfake Media Forensics: State of the Art and Challenges Ahead [51.33414186878676]
  AIが生成する合成メディア、別名Deepfakesは、エンターテイメントからサイバーセキュリティまで、多くの領域に影響を与えている。 ディープフェイク検出は、微妙な矛盾やアーティファクトを機械学習技術で識別することに焦点を当て、研究の不可欠な領域となっている。 本稿では,これらの課題に対処する主要なアルゴリズムについて,その利点,限界,今後の展望について検討する。
  論文  参考訳（メタデータ） (2024-08-01T08:57:47Z)
• GazeForensics: DeepFake Detection via Gaze-guided Spatial Inconsistency Learning [63.547321642941974]
  本稿では,3次元視線推定モデルから得られた視線表現を利用する,革新的なDeepFake検出手法であるGazeForensicsを紹介する。 実験の結果,提案したGazeForensicsは現在の最先端手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-13T04:48:33Z)
• How Generalizable are Deepfake Image Detectors? An Empirical Study [4.42204674141385]
  本研究は,ディープフェイク検出器の一般化性に関する最初の実証的研究である。 本研究では,6つのディープフェイクデータセット,5つのディープフェイク画像検出手法,および2つのモデル拡張アプローチを用いた。 検出器は, 合成法に特有の不要な特性を学習し, 識別的特徴の抽出に苦慮していることがわかった。
  論文  参考訳（メタデータ） (2023-08-08T10:30:34Z)
• Why Do Facial Deepfake Detectors Fail? [9.60306700003662]
  近年のディープフェイク技術の発展により、ビデオ、画像、オーディオなどの非常に現実的な偽メディアの作成が可能になった。 これらの資料は、偽造、偽情報、さらには国家安全保障に対する脅威など、人間の認証に重大な課題を提起している。 いくつかのディープフェイク検出アルゴリズムが提案されており、ディープフェイク作成者とディープフェイク検出装置との間の武器競争が進行中である。
  論文  参考訳（メタデータ） (2023-02-25T20:54:02Z)
• 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)
• 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)
• Understanding the Security of Deepfake Detection [23.118012417901078]
  本研究では,最先端のディープフェイク検出手法の対向的設定における安全性について検討する。 FaceForensics++やFacebook Deepfake Detection Challengeなど、大規模な公開ディープフェイクデータソースを2つ使用しています。 本研究は, 対戦環境におけるディープフェイク検出手法のセキュリティ上の制約を明らかにした。
  論文  参考訳（メタデータ） (2021-07-05T14:18:21Z)
• 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)

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。