論文の概要: Deepfake Detection with Optimized Hybrid Model: EAR Biometric Descriptor via Improved RCNN

• arxiv url: http://arxiv.org/abs/2503.12381v1
• Date: Sun, 16 Mar 2025 07:01:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:29:18.259855
• Title: Deepfake Detection with Optimized Hybrid Model: EAR Biometric Descriptor via Improved RCNN
• Title（参考訳）: 最適化ハイブリッドモデルによるディープフェイク検出:改良RCNNによるEARバイオメトリックディスクリプタ
• Authors: Ruchika Sharma, Rudresh Dwivedi,
• Abstract要約: 耳の微妙な動きや形状の変化を頑健に検出し,耳のディスクリプタを生成する。 また,改良RCNNによる耳バイオメトリック記述子を考慮した新しいハイブリッドディープフェイク検出モデルを提案する。 提案手法は,CNN (Convolution Neural Network), SqueezeNet, LeNet, LinkNet, LSTM (Long Short-Term Memory), DFP (Deepfake Predictor), ResNext+CNN+LSTMなどの従来のモデルより優れている。
• 参考スコア（独自算出の注目度）: 1.1356542363919058
• License:
• Abstract: Deepfake is a widely used technology employed in recent years to create pernicious content such as fake news, movies, and rumors by altering and substituting facial information from various sources. Given the ongoing evolution of deepfakes investigation of continuous identification and prevention is crucial. Due to recent technological advancements in AI (Artificial Intelligence) distinguishing deepfakes and artificially altered images has become challenging. This approach introduces the robust detection of subtle ear movements and shape changes to generate ear descriptors. Further, we also propose a novel optimized hybrid deepfake detection model that considers the ear biometric descriptors via enhanced RCNN (Region-Based Convolutional Neural Network). Initially, the input video is converted into frames and preprocessed through resizing, normalization, grayscale conversion, and filtering processes followed by face detection using the Viola-Jones technique. Next, a hybrid model comprising DBN (Deep Belief Network) and Bi-GRU (Bidirectional Gated Recurrent Unit) is utilized for deepfake detection based on ear descriptors. The output from the detection phase is determined through improved score-level fusion. To enhance the performance, the weights of both detection models are optimally tuned using the SU-JFO (Self-Upgraded Jellyfish Optimization method). Experimentation is conducted based on four scenarios: compression, noise, rotation, pose, and illumination on three different datasets. The performance results affirm that our proposed method outperforms traditional models such as CNN (Convolution Neural Network), SqueezeNet, LeNet, LinkNet, LSTM (Long Short-Term Memory), DFP (Deepfake Predictor) [1], and ResNext+CNN+LSTM [2] in terms of various performance metrics viz. accuracy, specificity, and precision.
• Abstract（参考訳）: ディープフェイク(Deepfake)は、近年、偽ニュース、映画、噂などの悪質なコンテンツを作成するために、様々なソースから顔情報を変更・置換することで広く使われている技術である。 ディープフェイクの継続的な識別と予防に関する調査の進化が進行中であることを考えると、重要である。 近年のAI(Artificial Intelligence)の技術進歩により、ディープフェイクと人工的な画像の区別が困難になっている。 このアプローチは、耳の微妙な動きや形状の変化を頑健に検出し、耳のディスクリプタを生成する。 さらに,拡張RCNN(Region-based Convolutional Neural Network)による耳バイオメトリック記述子を考慮した新しいハイブリッドディープフェイク検出モデルを提案する。 当初、入力ビデオはフレームに変換され、リサイズ、正規化、グレースケール変換、フィルタリングプロセスを経て前処理され、その後、ヴィオラ・ジョーンズ法を用いて顔検出が行われる。 次に、DBN(Deep Belief Network)とBi-GRU(Bidirectional Gated Recurrent Unit)を組み合わせたハイブリッドモデルを用いて、耳ディスクリプタに基づくディープフェイク検出を行う。 検出フェーズからの出力は、改良されたスコアレベル融合によって決定される。 性能向上のために,SU-JFO (Self-Upgraded Jellyfish Optimization method) を用いて両検出モデルの重みを最適に調整する。 実験は、圧縮、ノイズ、回転、ポーズ、照明の4つのシナリオに基づいて行われる。 提案手法は,CNN (Convolution Neural Network), SqueezeNet, LeNet, LinkNet, LSTM (Long Short-Term Memory), DFP (Deepfake Predictor) [1], ResNext+CNN+LSTM [2] といった従来のモデルよりも精度,特異性,精度の点で優れていることを確認した。

関連論文リスト

• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• UGAD: Universal Generative AI Detector utilizing Frequency Fingerprints [18.47018538990973]
  本研究では,AI生成画像を検出するための新しいマルチモーダル手法を提案する。 提案手法は,実画像とAI画像の識別精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-09-12T10:29:37Z)
• 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)
• Faster Than Lies: Real-time Deepfake Detection using Binary Neural Networks [0.0]
  ディープフェイク検出は、オンラインコンテンツへの信頼を損なうディープフェイクメディアの拡散と対比することを目的としている。 本稿では,BNN(Binary Neural Networks)を用いた画像に対する新しいディープフェイク検出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-07T13:37:36Z)
• 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)
• Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral Image Denoising [9.119226249676501]
  ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。 HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。 本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
  論文  参考訳（メタデータ） (2023-05-06T13:28:20Z)
• 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)
• Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
  ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。 本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。 種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
  論文  参考訳（メタデータ） (2021-05-29T21:22:24Z)
• 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)
• Improving DeepFake Detection Using Dynamic Face Augmentation [0.8793721044482612]
  ほとんどの公開可能なDeepFake検出データセットには、限られたバリエーションがある。 ディープニューラルネットワークは、DeepFakeコンテンツの操作機能を検出するための学習ではなく、顔の特徴にオーバーフィットする傾向があります。 DeepFake検出を改善するために、CNN(Convolutional Neural Networks)をトレーニングするためのデータ拡張方法であるFace-Cutoutを紹介します。
  論文  参考訳（メタデータ） (2021-02-18T20:25:45Z)
• 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)

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。