論文の概要: Exploring Active Data Selection Strategies for Continuous Training in Deepfake Detection

• arxiv url: http://arxiv.org/abs/2502.07269v1
• Date: Tue, 11 Feb 2025 05:35:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:07:45.047601
• Title: Exploring Active Data Selection Strategies for Continuous Training in Deepfake Detection
• Title（参考訳）: ディープフェイク検出における継続的トレーニングのためのアクティブデータ選択手法の探索
• Authors: Yoshihiko Furuhashi, Junichi Yamagishi, Xin Wang, Huy H. Nguyen, Isao Echizen,
• Abstract要約: 本研究では,ディープフェイク検出モデルの連続訓練に必要な少量の追加データを自動かつ積極的に選択する手法を提案する。 実験結果から,少量の追加データで連続的に学習したディープフェイク検出モデルが,元のトレーニングセットに自動的に選択・追加され,検出性能が大幅に向上したことがわかった。
• 参考スコア（独自算出の注目度）: 36.62699628212532
• License:
• Abstract: In deepfake detection, it is essential to maintain high performance by adjusting the parameters of the detector as new deepfake methods emerge. In this paper, we propose a method to automatically and actively select the small amount of additional data required for the continuous training of deepfake detection models in situations where deepfake detection models are regularly updated. The proposed method automatically selects new training data from a \textit{redundant} pool set containing a large number of images generated by new deepfake methods and real images, using the confidence score of the deepfake detection model as a metric. Experimental results show that the deepfake detection model, continuously trained with a small amount of additional data automatically selected and added to the original training set, significantly and efficiently improved the detection performance, achieving an EER of 2.5% with only 15% of the amount of data in the pool set.
• Abstract（参考訳）: ディープフェイク検出では、新しいディープフェイク法が出現するにつれて検出器のパラメータを調整することにより、高性能を維持することが不可欠である。 本稿では,ディープフェイク検出モデルが定期的に更新される状況下で,ディープフェイク検出モデルの継続的なトレーニングに必要な少量の追加データを自動かつアクティブに選択する手法を提案する。 提案手法は,新しいディープフェイク法と実画像によって生成される多数の画像を含む<textit{redundant}プールセットから,ディープフェイク検出モデルの信頼性スコアを指標として,新しいトレーニングデータを自動的に選択する。 実験結果から, プールセット内のデータ量の15%にEERを2.5%達成し, 検出性能を著しく, 効率的に向上させることができた。

関連論文リスト

• Improved detection of discarded fish species through BoxAL active learning [0.2544632696242629]
  本研究では,より高速なR-CNNオブジェクト検出モデルの認識精度を推定する,BoxALという能動的学習手法を提案する。 この方法では、未ラベルのプールから最も不確実なトレーニングイメージを選択し、オブジェクト検出モデルのトレーニングに使用することができる。 また,本研究では,サンプル化した新データが,未ラベルデータよりもトレーニングに有用であることが確認された。
  論文  参考訳（メタデータ） (2024-10-07T10:01:30Z)
• 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)
• Towards More General Video-based Deepfake Detection through Facial Feature Guided Adaptation for Foundation Model [15.61920157541529]
  内部にリッチな情報をエンコードしたファンデーションモデルを適用することにより,新しいディープフェイク検出手法を提案する。 近年のパラメータ効率の良い微調整技術に触発されて,新しいサイドネットワーク型デコーダを提案する。 提案手法は,見知らぬディープフェイクサンプルの同定に優れた有効性を示し,顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2024-04-08T14:58:52Z)
• Masked Conditional Diffusion Model for Enhancing Deepfake Detection [20.018495944984355]
  本研究では,深度検出のための仮設条件拡散モデル (MCDM) を提案する。 マスクされたプリスタン顔から様々な偽造顔を生成し、ディープフェイク検出モデルにジェネリックでロバストな表現を学習するよう促す。
  論文  参考訳（メタデータ） (2024-02-01T12:06:55Z)
• 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)
• DFIL: Deepfake Incremental Learning by Exploiting Domain-invariant Forgery Clues [32.045504965382015]
  現在のディープフェイク検出モデルは、大規模なデータセットでトレーニングすることで、一般的に偽画像を認識することができる。 検出モデルの精度は、データ分布の違いにより、新しいディープフェイク法によって生成された画像に対して著しく低下する。 本稿では,ディープフェイク検出モデルの一般化を改善するための新たなインクリメンタルラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T07:02:26Z)
• Watermarking for Out-of-distribution Detection [76.20630986010114]
  Out-of-Distribution (OOD) 検出は、よく訓練された深層モデルから抽出された表現に基づいてOODデータを識別することを目的としている。 本稿では,透かしという一般的な手法を提案する。 我々は,元データの特徴に重畳される統一パターンを学習し,ウォーターマーキング後にモデルの検出能力が大きく向上する。
  論文  参考訳（メタデータ） (2022-10-27T06:12:32Z)
• A Continual Deepfake Detection Benchmark: Dataset, Methods, and Essentials [97.69553832500547]
  本稿では, 既知の生成モデルと未知の生成モデルの両方から, 新たなディープフェイク集合に対する連続的なディープフェイク検出ベンチマーク(CDDB)を提案する。 本研究では,連続的なディープラーニング検出問題に対して,連続的な視覚認識で一般的に使用される多クラス漸進学習手法を適応するために,複数のアプローチを利用する。
  論文  参考訳（メタデータ） (2022-05-11T13:07:19Z)
• Learning to Recognize Patch-Wise Consistency for Deepfake Detection [39.186451993950044]
  パッチワイド一貫性学習(PCL)という,このタスクのための表現学習手法を提案する。 PCLは、画像のソース機能の一貫性を測定し、複数の偽造方法に対する優れた解釈性と堅牢性で表現することを学びます。 7つの一般的なDeepfake検出データセットに対するアプローチを評価します。
  論文  参考訳（メタデータ） (2020-12-16T23:06:56Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)

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。