論文の概要: Enhancing Deepfake Detection using SE Block Attention with CNN

• arxiv url: http://arxiv.org/abs/2506.10683v1
• Date: Thu, 12 Jun 2025 13:29:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.75083
• Title: Enhancing Deepfake Detection using SE Block Attention with CNN
• Title（参考訳）: CNNによるSEブロック注意によるディープフェイク検出の強化
• Authors: Subhram Dasgupta, Janelle Mason, Xiaohong Yuan, Olusola Odeyomi, Kaushik Roy,
• Abstract要約: 本稿では,Deepfake検出のための圧縮・励起ブロックアテンション(SE)を備えた軽量畳み込みニューラルネットワーク(CNN)を提案する。 このモデルは全体の分類精度94.14%、AUC-ROCスコア0.985をStyle GANデータセットで達成した。 提案手法は,最小限の計算資源でDeepfakeチャレンジと戦うための有望な道を示す。
• 参考スコア（独自算出の注目度）: 5.7494612007431805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the digital age, Deepfake present a formidable challenge by using advanced artificial intelligence to create highly convincing manipulated content, undermining information authenticity and security. These sophisticated fabrications surpass traditional detection methods in complexity and realism. To address this issue, we aim to harness cutting-edge deep learning methodologies to engineer an innovative deepfake detection model. However, most of the models designed for deepfake detection are large, causing heavy storage and memory consumption. In this research, we propose a lightweight convolution neural network (CNN) with squeeze and excitation block attention (SE) for Deepfake detection. The SE block module is designed to perform dynamic channel-wise feature recalibration. The SE block allows the network to emphasize informative features and suppress less useful ones, which leads to a more efficient and effective learning module. This module is integrated with a simple sequential model to perform Deepfake detection. The model is smaller in size and it achieves competing accuracy with the existing models for deepfake detection tasks. The model achieved an overall classification accuracy of 94.14% and AUC-ROC score of 0.985 on the Style GAN dataset from the Diverse Fake Face Dataset. Our proposed approach presents a promising avenue for combating the Deepfake challenge with minimal computational resources, developing efficient and scalable solutions for digital content verification.
• Abstract（参考訳）: デジタル時代において、Deepfakeは高度な人工知能を使用して、高度に説得力のある操作されたコンテンツを作成し、情報の信頼性とセキュリティを損なうという、恐ろしい課題を提示している。 これらの洗練された製造法は、複雑さとリアリズムの伝統的な検出法を超越している。 この問題に対処するために,最先端の深層学習手法を活用して,革新的な深層学習検出モデルを構築することを目的とする。 しかし、ディープフェイク検出のために設計されたモデルの多くは大きなものであり、ストレージとメモリ消費が重い。 本研究では,Deepfake検出のための圧縮・励起ブロックアテンション(SE)を備えた軽量畳み込みニューラルネットワーク(CNN)を提案する。 SEブロックモジュールは、動的チャネルワイド機能再校正を実行するように設計されている。 SEブロックにより、ネットワークは情報的特徴を強調し、より有用でない特徴を抑えることができ、より効率的で効果的な学習モジュールを生み出すことができる。 このモジュールは、Deepfake検出を実行するための単純なシーケンシャルモデルと統合されている。 モデルのサイズは小さく、ディープフェイク検出タスクのために既存のモデルと競合する精度を実現する。 このモデルは、Diverse Fake Face DatasetのStyle GANデータセットで94.14%、AUC-ROCスコア0.985の総合的な分類精度を達成した。 提案手法は,最小限の計算資源でDeepfake課題に対処し,デジタルコンテンツ検証のための効率的でスケーラブルなソリューションを開発するための,有望な方法である。

関連論文リスト

• 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 Component Guided Adaptation for Foundation Model [16.69101880602321]
  一般化ビデオに基づくDeepfake検出のためのサイドネットワークベースのデコーダを提案する。 また、空間学習の一般化性を高めるために、FCG(Facial Component Guidance)を導入する。 提案手法は,Deepfakeデータセットに挑戦する上で有望な一般化性を示す。
  論文  参考訳（メタデータ） (2024-04-08T14:58:52Z)
• Unmasking Deepfake Faces from Videos Using An Explainable Cost-Sensitive Deep Learning Approach [0.0]
  ディープフェイク技術は広く使われており、デジタルメディアの信頼性に関する深刻な懸念につながっている。 本研究は,映像中のディープフェイク顔を効果的に検出するために,リソース効率が高く透明なコスト感受性深層学習法を用いている。
  論文  参考訳（メタデータ） (2023-12-17T14:57:10Z)
• 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)
• 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)
• DeepSteal: Advanced Model Extractions Leveraging Efficient Weight Stealing in Memories [26.067920958354]
  Deep Neural Networks(DNN)のプライバシに対する大きな脅威の1つは、モデル抽出攻撃である。 最近の研究によると、ハードウェアベースのサイドチャネル攻撃はDNNモデル(例えばモデルアーキテクチャ)の内部知識を明らかにすることができる。 本稿では,メモリサイドチャネル攻撃の助けを借りてDNN重みを効果的に盗む,高度なモデル抽出攻撃フレームワークであるDeepStealを提案する。
  論文  参考訳（メタデータ） (2021-11-08T16:55:45Z)
• 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 the Efficiency and Robustness of Deepfakes Detection through Precise Geometric Features [13.033517345182728]
  Deepfakesは、ターゲットの顔を元の顔にビデオで移植する悪質なテクニックの1つだ。 これまでのDeepfakesビデオ検出の取り組みは主に外観機能に焦点を当てており、高度な操作によってバイパスされるリスクがある。 高精度な幾何学的特徴を時間的モデル化してDeepfakesビデオを検出するための効率的かつ堅牢なフレームワークLRNetを提案します。
  論文  参考訳（メタデータ） (2021-04-09T16:57:55Z)
• Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
  本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。 提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
  論文  参考訳（メタデータ） (2020-01-22T15:23:48Z)

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。