論文の概要: Hybrid Deepfake Detection Utilizing MLP and LSTM

• arxiv url: http://arxiv.org/abs/2304.14504v1
• Date: Fri, 21 Apr 2023 16:38:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-07 16:12:51.269857
• Title: Hybrid Deepfake Detection Utilizing MLP and LSTM
• Title（参考訳）: MLPとLSTMを用いたハイブリッドディープフェイク検出
• Authors: Jacob Mallet, Natalie Krueger, Mounika Vanamala, Rushit Dave
• Abstract要約: ディープフェイク(deepfake)は、最新の技術進歩にともなう発明である。 本稿では,2つのディープラーニングアルゴリズムを用いた新しいディープフェイク検出方式を提案する。 我々は、140k RealとFake Facesというデータセットを使用して、74.7%の精度で、ディープフェイクによって変化した画像を検出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing reliance of society on social media for authentic information has done nothing but increase over the past years. This has only raised the potential consequences of the spread of misinformation. One of the growing methods in popularity is to deceive users using a deepfake. A deepfake is an invention that has come with the latest technological advancements, which enables nefarious online users to replace their face with a computer generated, synthetic face of numerous powerful members of society. Deepfake images and videos now provide the means to mimic important political and cultural figures to spread massive amounts of false information. Models that can detect these deepfakes to prevent the spread of misinformation are now of tremendous necessity. In this paper, we propose a new deepfake detection schema utilizing two deep learning algorithms: long short term memory and multilayer perceptron. We evaluate our model using a publicly available dataset named 140k Real and Fake Faces to detect images altered by a deepfake with accuracies achieved as high as 74.7%
• Abstract（参考訳）: 社会の真正な情報に対するソーシャルメディアへの依存度は、過去数年間で増加している。 これは誤報の拡散による潜在的な結果に過ぎなかった。 人気が高まっている方法の1つは、ディープフェイクを使ってユーザーを騙すことである。 ディープフェイク(英: deepfake)は、悪質なオンラインユーザーが、多数の社会の強力なメンバーによって生成された、合成された顔で顔を置き換えることを可能にする、最新の技術進歩を伴った発明である。 ディープフェイクの画像やビデオは、重要な政治的、文化的人物を模倣して大量の偽情報を広める手段を提供する。 誤報の拡散を防ぐためにこれらのディープフェイクを検出するモデルは、今や非常に必要である。 本稿では,長期記憶と多層パーセプトロンという2つのディープラーニングアルゴリズムを用いた,新しいディープフェイク検出スキーマを提案する。 我々は,我々のモデルを評価するために,140k real と fake faces という公開データセットを用いて,最大74.7%の精度を達成したディープフェイクによって修正された画像を検出する。

関連論文リスト

• 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)
• 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)
• Seeing is not always believing: Benchmarking Human and Model Perception of AI-Generated Images [66.20578637253831]
  人工知能(AI)技術の進歩が偽写真を生み出すのではないかという懸念が高まっている。 本研究の目的は、最先端のAI生成視覚コンテンツを識別するためのエージェントを包括的に評価することである。
  論文  参考訳（メタデータ） (2023-04-25T17:51:59Z)
• 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)
• Deepfake Detection Analyzing Hybrid Dataset Utilizing CNN and SVM [0.0]
  本稿では,2つの機械学習アルゴリズムを用いた新しいディープフェイク検出方式を提案する。 最近、Deepfakesはテクノロジーの進歩とともに上昇し、悪名高いオンラインユーザーが、自分の好きな人の顔をコンピューターで作り替えることを可能にした。
  論文  参考訳（メタデータ） (2023-01-27T01:00:39Z)
• DeePhy: On Deepfake Phylogeny [58.01631614114075]
  DeePhyは、新しいDeepfake Phylogenyデータセットである。 6つのディープフェイク検出アルゴリズムを用いて,DeePhyデータセットのベンチマークを示す。
  論文  参考訳（メタデータ） (2022-09-19T15:30:33Z)
• 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)
• A Survey of Deep Fake Detection for Trial Courts [2.320417845168326]
  DeepFakeのアルゴリズムは、人間が本物と区別できない偽のイメージやビデオを作成することができる。 偽の情報を拡散するのを避けるために、偽の動画を検出することが不可欠になっている。 本稿では,DeepFakeを検知する手法と,DeepFakeを検出できるデータセットについて検討する。
  論文  参考訳（メタデータ） (2022-05-31T13:50:25Z)
• 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。