Fugu-MT 論文翻訳(概要): Deepfake Detection with Deep Learning: Convolutional Neural Networks versus Transformers

論文の概要: Deepfake Detection with Deep Learning: Convolutional Neural Networks versus Transformers

arxiv url: http://arxiv.org/abs/2304.03698v1
Date: Fri, 7 Apr 2023 15:33:09 GMT
ステータス: 処理完了
システム内更新日: 2023-04-10 11:37:46.125977
Title: Deepfake Detection with Deep Learning: Convolutional Neural Networks versus Transformers
Title（参考訳）: ディープラーニングによるディープフェイク検出:畳み込みニューラルネットワークとトランスフォーマー
Authors: Vrizlynn L. L. Thing
Abstract要約: 8つの有望なディープラーニングアーキテクチャを特定し、Deepfake検出モデルの設計と開発を行い、確立されたDeepfakeデータセット上で実験を行った。 FF++ 2020、Google DFD、Celeb-DF、Deeper Forensics、DFDC Deepfakesの検出において、88.74%、99.53%、97.68%、99.73%、92.02%の精度、99.95%、100%、99.88%、99.99%、97.61%のAUCを達成した。
参考スコア（独自算出の注目度）: 1.179179628317559
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The rapid evolvement of deepfake creation technologies is seriously threating media information trustworthiness. The consequences impacting targeted individuals and institutions can be dire. In this work, we study the evolutions of deep learning architectures, particularly CNNs and Transformers. We identified eight promising deep learning architectures, designed and developed our deepfake detection models and conducted experiments over well-established deepfake datasets. These datasets included the latest second and third generation deepfake datasets. We evaluated the effectiveness of our developed single model detectors in deepfake detection and cross datasets evaluations. We achieved 88.74%, 99.53%, 97.68%, 99.73% and 92.02% accuracy and 99.95%, 100%, 99.88%, 99.99% and 97.61% AUC, in the detection of FF++ 2020, Google DFD, Celeb-DF, Deeper Forensics and DFDC deepfakes, respectively. We also identified and showed the unique strengths of CNNs and Transformers models and analysed the observed relationships among the different deepfake datasets, to aid future developments in this area.
Abstract（参考訳）: ディープフェイク生成技術の急速な進化は、メディア情報の信頼性を脅かす。対象とする個人や機関に影響を及ぼす影響は深刻である。本研究では,ディープラーニングアーキテクチャ,特にCNNとTransformersの進化について検討する。 8つの有望なディープラーニングアーキテクチャを特定し、Deepfake検出モデルの設計と開発を行い、確立されたDeepfakeデータセット上で実験を行った。これらのデータセットには、最新の第2世代と第3世代のdeepfakeデータセットが含まれている。開発した単一モデル検出器のディープフェイク検出およびクロスデータセット評価における有効性を評価した。 FF++ 2020, Google DFD, Celeb-DF, Deeper Forensics, DFDC Deepfakesの検出において, それぞれ88.74%, 99.53%, 97.68%, 92.02%, 100%, 99.88%, 99.99%, 97.61% AUCを達成した。また,cnnモデルとトランスフォーマーモデルの特異な強みを特定し,異なるディープフェイクデータセット間の観測された関係を分析し,この領域における今後の展開を支援する。

関連論文リスト

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)
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)
Leveraging Deep Learning Approaches for Deepfake Detection: A Review [0.0]
ディープフェイク(Deepfakes)は、AIによって生成されたメディアであり、実際のメディアから切り離すことが難しい。本稿では,コスト効率のよいモデルを実現するために,様々な手法を検討することを目的とする。
論文参考訳（メタデータ） (2023-04-04T16:04:42Z)
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)
Metamorphic Testing-based Adversarial Attack to Fool Deepfake Detectors [2.0649235321315285]
ディープフェイク検出技術はディープフェイクメディアを見つけるのに役立つ。現在のディープフェイク検出モデルは、卓越した精度(>90%)を達成することができる本研究は、メイクアップを、ディープフェイク検出器を騙す可能性のある敵攻撃として特定する。
論文参考訳（メタデータ） (2022-04-19T02:24:30Z)
An Experimental Evaluation on Deepfake Detection using Deep Face Recognition [0.0]
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。
論文参考訳（メタデータ） (2021-10-04T18:02:56Z)
FReTAL: Generalizing Deepfake Detection using Knowledge Distillation and Representation Learning [17.97648576135166]
本稿では,FreTAL(Feature Representation Transfer Adaptation Learning)法を提案する。我々の学生モデルは、事前学習した教師モデルから知識を抽出することで、新しいタイプのディープフェイクに迅速に適応することができる。 FRETALは、ドメイン適応タスクのすべてのベースラインを86.97%の精度で低品質のディープフェイクで上回っている。
論文参考訳（メタデータ） (2021-05-28T06:54:10Z)
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)
Adversarially robust deepfake media detection using fused convolutional neural network predictions [79.00202519223662]
現在のディープフェイク検出システムは、目に見えないデータと戦っている。ビデオから抽出した偽画像と実画像の分類には,CNN(Deep Convolutional Neural Network)モデルが3種類採用されている。提案手法は96.5%の精度で最先端のモデルより優れている。
論文参考訳（メタデータ） (2021-02-11T11:28:00Z)
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。