論文の概要: Spoof Diarization: "What Spoofed When" in Partially Spoofed Audio

• arxiv url: http://arxiv.org/abs/2406.07816v1
• Date: Wed, 12 Jun 2024 02:23:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-13 20:36:36.912826
• Title: Spoof Diarization: "What Spoofed When" in Partially Spoofed Audio
• Title（参考訳）: スポフダイアリゼーション:部分的なスポフダイアリゼーションにおける「スポフダイアリゼーション」
• Authors: Lin Zhang, Xin Wang, Erica Cooper, Mireia Diez, Federico Landini, Nicholas Evans, Junichi Yamagishi,
• Abstract要約: 本稿では,部分的スポフ(PS)シナリオにおける新しいタスクとして,スポフダイアリゼーションを定義する。 異なるスプーフ手法に従って、スプーフ領域の配置とクラスタ化を含む、スプーフがいつ何になったかを決定することを目的としている。
• 参考スコア（独自算出の注目度）: 35.485350559012645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper defines Spoof Diarization as a novel task in the Partial Spoof (PS) scenario. It aims to determine what spoofed when, which includes not only locating spoof regions but also clustering them according to different spoofing methods. As a pioneering study in spoof diarization, we focus on defining the task, establishing evaluation metrics, and proposing a benchmark model, namely the Countermeasure-Condition Clustering (3C) model. Utilizing this model, we first explore how to effectively train countermeasures to support spoof diarization using three labeling schemes. We then utilize spoof localization predictions to enhance the diarization performance. This first study reveals the high complexity of the task, even in restricted scenarios where only a single speaker per audio file and an oracle number of spoofing methods are considered. Our code is available at https://github.com/nii-yamagishilab/PartialSpoof.
• Abstract（参考訳）: 本稿では,部分的スポフ(PS)シナリオにおける新しいタスクとして,スポフダイアリゼーションを定義する。 これは、スプーフ領域の特定だけでなく、異なるスプーフ手法に従ってクラスタ化することを含む、スプーフがいつ何であったかを決定することを目的としている。 スプーフダイアリゼーションにおける先駆的な研究として、タスクの定義、評価指標の確立、ベンチマークモデルの提案、すなわち、カウンタ・コンディション・クラスタリング(3C)モデルを提案する。 このモデルを用いて,まず,3つのラベリング手法を用いてスプーフダイアリゼーションを支援する対策を効果的に訓練する方法を検討する。 次に,スプーフ局所化予測を用いてダイアリゼーション性能を向上する。 本研究は,音声ファイル毎の1つの話者と,多数のスプーフィング手法が考慮されている限られたシナリオにおいても,タスクの複雑さを明らかにした。 私たちのコードはhttps://github.com/nii-yamagishilab/PartialSpoof.comで公開されています。

関連論文リスト

• How Do Neural Spoofing Countermeasures Detect Partially Spoofed Audio? [53.58852794805362]
  部分的にスプーフされたオーディオで訓練された対策(CM)は、そのようなスプーフを効果的に検出することができる。 我々はGrad-CAMを利用し、CMの判断を解釈するために定量的分析指標を導入する。 バルナフッ化物とスプーフドオーディオを連結した場合に発生する遷移領域のアーティファクトをCMが優先していることが判明した。
  論文  参考訳（メタデータ） (2024-06-04T16:51:42Z)
• An Efficient Temporary Deepfake Location Approach Based Embeddings for Partially Spoofed Audio Detection [4.055489363682199]
  本稿では,時間的ディープフェイク位置(TDL)という,きめ細かな部分スプーフ音声検出手法を提案する。 提案手法は, 類似モジュールの埋め込みと時間的畳み込み操作という2つの新しい部分を含む。 提案手法は, ASVspoof 2019 partial Spoof データセットのベースラインモデルより優れ, クロスデータセットシナリオにおいても優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-06T14:29:29Z)
• Generating Natural Language Proofs with Verifier-Guided Search [74.9614610172561]
  NLProofS (Natural Language Proof Search) を提案する。 NLProofSは仮説に基づいて関連するステップを生成することを学習する。 EntailmentBank と RuleTaker の最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-05-25T02:22:30Z)
• Physics-Guided Spoof Trace Disentanglement for Generic Face Anti-Spoofing [26.389969978817042]
  偽造防止の鍵は「偽造痕跡」と呼ばれる微妙なイメージパターンにある 本研究では,スプーフの顔がスプーフの痕跡と実物に絡み合うような,新たな逆学習フレームワークを設計する。
  論文  参考訳（メタデータ） (2020-12-09T17:22:44Z)
• On Disentangling Spoof Trace for Generic Face Anti-Spoofing [24.75975874643976]
  偽造防止の鍵は「偽造痕跡」と呼ばれる微妙なイメージパターンにある 本研究は,スプーフトレースを入力面から切り離すための,新たな逆学習フレームワークを設計する。
  論文  参考訳（メタデータ） (2020-07-17T23:14:16Z)
• Anomaly Detection-Based Unknown Face Presentation Attack Detection [74.4918294453537]
  異常検出に基づくスプーフ攻撃検出は、顔提示攻撃検出の最近の進歩である。 本稿では,異常検出に基づくスプーフ攻撃検出のためのディープラーニングソリューションを提案する。 提案手法はCNNの表現学習能力の恩恵を受け,fPADタスクの優れた特徴を学習する。
  論文  参考訳（メタデータ） (2020-07-11T21:20:55Z)
• Look Locally Infer Globally: A Generalizable Face Anti-Spoofing Approach [53.86588268914105]
  最先端のスプーフ検出方法は、トレーニング中に見られるスプーフタイプに過度に適合し、未知のスプーフタイプに一般化できない傾向にある。 顔画像から局所的な識別的手がかりを自己監督的に学習するために訓練された自己監督型地域完全畳み込みネットワーク(SSR-FCN)を提案する。
  論文  参考訳（メタデータ） (2020-06-04T13:11:17Z)
• Learning Generalized Spoof Cues for Face Anti-spoofing [43.32561471100592]
  本研究では,スプーフ・キューとして定義される識別的ライブ・スプーフの差異を学習するための残差学習フレームワークを提案する。 ジェネレータは、生きたサンプルのスプーフキューを最小限に抑えつつ、見知らぬ攻撃に対してうまく一般化するために、スプーフサンプルのスプーフキューに明示的な制約を課さない。 実験の結果,提案手法は最先端の手法よりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-08T09:22:13Z)

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。