論文の概要: Generalize Your Face Forgery Detectors: An Insertable Adaptation Module Is All You Need

• arxiv url: http://arxiv.org/abs/2412.20801v1
• Date: Mon, 30 Dec 2024 08:48:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:06:05.924689
• Title: Generalize Your Face Forgery Detectors: An Insertable Adaptation Module Is All You Need
• Title（参考訳）: 顔の偽物検出を一般化する:使い捨てアダプタモジュールは必要なだけ
• Authors: Xiaotian Si, Linghui Li, Liwei Zhang, Ziduo Guo, Kaiguo Yuan, Bingyu Li, Xiaoyong Li,
• Abstract要約: オンライン未ラベルテストデータのみを用いて、トレーニング済みオフザシェルフ検出器を適応できる挿入可能な適応モジュールを導入する。 具体的には、まず、改訂された特徴とプロトタイプから予測を生成する学習可能なクラスプロトタイプベース分類器を提案する。 また、予測精度をさらに向上し、自己学習中のノイズの多い擬似ラベルの影響を低減するため、最も近い特徴校正器を提案する。
• 参考スコア（独自算出の注目度）: 3.5424095074777533
• License:
• Abstract: A plethora of face forgery detectors exist to tackle facial deepfake risks. However, their practical application is hindered by the challenge of generalizing to forgeries unseen during the training stage. To this end, we introduce an insertable adaptation module that can adapt a trained off-the-shelf detector using only online unlabeled test data, without requiring modifications to the architecture or training process. Specifically, we first present a learnable class prototype-based classifier that generates predictions from the revised features and prototypes, enabling effective handling of various forgery clues and domain gaps during online testing. Additionally, we propose a nearest feature calibrator to further improve prediction accuracy and reduce the impact of noisy pseudo-labels during self-training. Experiments across multiple datasets show that our module achieves superior generalization compared to state-of-the-art methods. Moreover, it functions as a plug-and-play component that can be combined with various detectors to enhance the overall performance.
• Abstract（参考訳）: 顔の深度リスクに対処するためには、顔偽造検知器が多数存在する。 しかし、その実践的応用は、訓練期間中に見つからない偽造を一般化するという課題によって妨げられている。 そこで本研究では,オンラインの未ラベルテストデータのみを用いて,アーキテクチャやトレーニングプロセスの変更を必要とせずに,トレーニング済みのオフ・ザ・シェルフ検出器に適応可能な適応モジュールを提案する。 具体的には、まず、改訂された特徴とプロトタイプから予測を生成する学習可能なクラスプロトタイプベースの分類器を提案し、オンラインテスト中に様々な偽の手がかりとドメインギャップを効果的に扱えるようにした。 さらに、予測精度をさらに向上し、自己学習中のノイズの多い擬似ラベルの影響を低減するため、最も近い特徴校正器を提案する。 複数のデータセットにまたがる実験により、我々のモジュールは最先端の手法に比べて優れた一般化を実現することが示された。 さらに、様々な検出器と組み合わせて全体的な性能を高めることができるプラグアンドプレイコンポーネントとして機能する。

関連論文リスト

• Leveraging Mixture of Experts for Improved Speech Deepfake Detection [53.69740463004446]
  スピーチのディープフェイクは、個人のセキュリティとコンテンツの信頼性に重大な脅威をもたらす。 本研究では,Mixture of Expertsアーキテクチャを用いた音声深度検出性能の向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-24T13:24:03Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• Universal Novelty Detection Through Adaptive Contrastive Learning [9.302885112237618]
  ノベルティ検出は、オープンな世界で機械学習モデルをデプロイするための重要なタスクである。 本研究では,既存の手法が,その剛性帰納バイアスから生じる普遍性を維持することを実験的に示す。 本稿では,新しい確率論的自己負対生成法であるAutoAugOODを提案する。
  論文  参考訳（メタデータ） (2024-08-20T12:46:23Z)
• Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt [80.43623986759691]
  UCADと呼ばれる新しい非教師付き連続異常検出フレームワークを提案する。 このフレームワークは、対照的に学習したプロンプトを通じて、UDAに継続的な学習能力を持たせる。 我々は総合的な実験を行い、教師なし連続異常検出とセグメンテーションのベンチマークを設定した。
  論文  参考訳（メタデータ） (2024-01-02T03:37:11Z)
• FaultFormer: Pretraining Transformers for Adaptable Bearing Fault Classification [7.136205674624813]
  本稿では,トランスモデルに基づく自己教師型事前学習および微調整フレームワークを提案する。 特に、最先端のアキュラシーに到達するための異なるトークン化とデータ拡張戦略について検討する。 このパラダイムでは、異なるベアリング、障害、機械からラベル付けされていないデータに基づいてモデルを事前訓練し、新しいデータスカースアプリケーションに素早くデプロイすることが可能になる。
  論文  参考訳（メタデータ） (2023-12-04T22:51:02Z)
• Transcending Forgery Specificity with Latent Space Augmentation for Generalizable Deepfake Detection [57.646582245834324]
  LSDAと呼ばれる簡易で効果的なディープフェイク検出器を提案する。 より多様な偽の表現は、より一般化可能な決定境界を学べるべきである。 提案手法は驚くほど有効であり, 広く使用されている複数のベンチマークで最先端の検出器を超越することを示す。
  論文  参考訳（メタデータ） (2023-11-19T09:41:10Z)
• Generalized Face Forgery Detection via Adaptive Learning for Pre-trained Vision Transformer [54.32283739486781]
  適応学習パラダイムの下で,textbfForgery-aware textbfAdaptive textbfVision textbfTransformer(FA-ViT)を提案する。 FA-ViTは、クロスデータセット評価において、Celeb-DFおよびDFDCデータセット上で93.83%と78.32%のAUCスコアを達成する。
  論文  参考訳（メタデータ） (2023-09-20T06:51:11Z)
• Self-supervised Transformer for Deepfake Detection [112.81127845409002]
  現実世界のシナリオにおけるディープフェイク技術は、顔偽造検知器のより強力な一般化能力を必要とする。 転送学習に触発されて、他の大規模な顔関連タスクで事前訓練されたニューラルネットワークは、ディープフェイク検出に有用な機能を提供する可能性がある。 本稿では,自己教師型変換器を用いた音声視覚コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-02T17:44:40Z)
• Few-shot learning with improved local representations via bias rectify module [13.230636224045137]
  本稿では,特徴表現の構造に存在する空間情報を完全に活用するために,DBRN(Deep Bias Rectify Network)を提案する。 バイアス修正モジュールは、異なる重みを付与することによって、分類においてより差別的な特徴に焦点を合わせることができる。 トレーニングデータを完全に活用するために,我々は,サポートセットから生成されたプロトタイプをより代表的なものにするためのプロトタイプ拡張機構を設計する。
  論文  参考訳（メタデータ） (2021-11-01T08:08:00Z)

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。