Fugu-MT 論文翻訳(概要): Deep Learning for Deepfake Image Detection: Comparative Model Evaluation and Gradient-Based Visual Attribution

論文の概要: Deep Learning for Deepfake Image Detection: Comparative Model Evaluation and Gradient-Based Visual Attribution

arxiv url: http://arxiv.org/abs/2610.22676v1
Date: Thu, 15 Oct 2026 21:47:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-20 00:56:07.681056
Title: Deep Learning for Deepfake Image Detection: Comparative Model Evaluation and Gradient-Based Visual Attribution
Title（参考訳）: ディープフェイク画像検出のためのディープラーニング:モデル評価とグラディエントに基づく視覚属性の比較
Abstract要約: 本研究では、2つの対照的な分類手法を用いた画像レベルの深度検出のための説明可能な深度学習ワークフローについて検討する。バランスの取れた140k RealとFake Facesのデータセットで、顔画像14万枚を実験した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Synthetic facial imagery has made the distinction between authentic and generated content increasingly important for digital forensics and online trust. This study examines an explainable deep-learning workflow for image-level deepfake detection using two contrasting classification strategies: a compact convolutional model trained from scratch and an ImageNet-pretrained MobileNetV2 model adapted through two-stage transfer learning. Experiments were conducted with the balanced 140k Real and Fake Faces dataset, comprising 140,000 facial images. Under the recorded validation protocol, the augmented from-scratch model reached 84.15% accuracy (loss 0.3625), compared with 95.90% accuracy (loss 0.1074) for the fine-tuned pretrained model. Gradient-weighted class activation mapping (Grad-CAM) was used to visualize image regions associated with predictions, and a Flask-based prototype was developed for side-by-side inspection. These observations support the practical value of pretrained visual representations in the studied setting while underscoring the need to interpret validation performance alongside dataset provenance, explanation limitations, and evaluation scope. The reported results are validation results, not held-out test estimates.
Abstract（参考訳）: 合成顔画像は、デジタル法医学とオンライン信頼にとって、真偽と生成されたコンテンツの区別をますます重要にしている。本研究では,スクラッチから学習したコンパクト畳み込みモデルと,2段階の移動学習により適応した画像Net-pretrained MobileNetV2モデルという,2つの対照的な分類手法を用いた画像レベルの深度検出のための説明可能なディープラーニングワークフローについて検討した。バランスの取れた140k RealとFake Facesのデータセットで、顔画像14万枚を実験した。記録された検証プロトコルでは、改良されたin-scratchモデルは84.15%の精度(0.3625未満)に到達し、微調整された事前訓練モデルでは95.90%の精度(0.1074未満)に到達した。勾配重み付きクラスアクティベーションマッピング (Grad-CAM) を用いて予測に関連する画像領域を可視化し, 側面検査のためのフラスク型プロトタイプを開発した。これらの観察は、データセットの証明、説明の限界、評価範囲と共に検証性能を解釈する必要性を強調しつつ、研究環境での事前学習された視覚表現の実用的価値を支持する。報告された結果は検証結果であり、テスト見積は保留されていない。

関連論文リスト

Experimental Analysis of Neural Network-Based Image Classification on the CIFAR-10 Dataset [0.0]
CIFAR-10ベンチマークにおけるニューラルネットワークの分類に関する実験的研究は、完全に連結された畳み込みネットワークの定式化を通じて行われた。この分析では、画像ベクトル化、正規化、ワンホットクラスエンコーディング、教師付き損失最小化、学習速度選択、ミニバッチトレーニング、畳み込み特徴抽出、最大プール、検証に基づく評価といった完全な学習パイプラインを強調している。
論文参考訳（メタデータ） (2026-06-17T00:35:27Z)
Comparative Evaluation of Deep Learning Models for Fake Image Detection [0.0]
本研究では,4つのCNNアーキテクチャの性能を,統合前処理とトレーニングパイプラインを用いたフェイク画像検出の性能と比較する。 VGG16の精度は91%に達し、XceptionNet、ResNet50、EfficientNetB0はそれぞれ90%に達した。この研究は、信頼性の高い偽画像検出システムを開発するために、バランスの取れたデータセット、高度な拡張、公正な学習の必要性を強調している。
論文参考訳（メタデータ） (2026-05-20T09:57:58Z)
Pothole Detection and Recognition based on Transfer Learning [0.0]
転送学習に基づく深層学習特徴抽出ネットワークResNet50-Net-RegNetモデルを構築した。本モデルでは,認識速度と精度において,他のモデルよりも高い性能を示す。
論文参考訳（メタデータ） (2025-09-08T14:40:16Z)
Combating Digitally Altered Images: Deepfake Detection [0.0]
本研究では,改良型視覚変換器(ViT)モデルに基づく頑健なディープフェイク検出手法を提案する。このモデルはOpenForensicsデータセットのサブセットで、さまざまなイメージ操作の堅牢性を高めるために、複数の拡張テクニックでトレーニングされている。このモデルは、テストデータセット上で最先端の結果を示し、Deepfakeイメージを慎重に検出する。
論文参考訳（メタデータ） (2025-08-23T09:59:03Z)
Mitigating Overfitting in Medical Imaging: Self-Supervised Pretraining vs. ImageNet Transfer Learning for Dermatological Diagnosis [0.5025737475817937]
本研究では,高価値皮膚科学的特徴を抽出する教師なし学習フレームワークを提案する。我々は、独自の皮膚科学データセットに基づいて、スクラッチから訓練された変分オートエンコーダを用いる。自己教師付き学習は、安定した改善、より強力な一般化、優れた適応性を達成する。
論文参考訳（メタデータ） (2025-05-22T15:15:17Z)
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)
Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
論文参考訳（メタデータ） (2024-06-19T08:07:14Z)
Effective Robustness against Natural Distribution Shifts for Models with Different Training Data [113.21868839569]
効果的ロバスト性」は、分配内(ID)性能から予測できる以上の余分な分配外ロバスト性を測定する。異なるデータに基づいてトレーニングされたモデルの有効ロバスト性を評価・比較するための新しい評価指標を提案する。
論文参考訳（メタデータ） (2023-02-02T19:28:41Z)
End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文参考訳（メタデータ） (2022-08-04T01:34:46Z)
Core Risk Minimization using Salient ImageNet [53.616101711801484]
私たちは、1000のImagenetクラスのコアとスプリアス機能をローカライズする100万人以上のソフトマスクを備えたSalient Imagenetデータセットを紹介します。このデータセットを用いて、まず、いくつかのImagenet事前訓練されたモデル(総計42件)の素早い特徴に対する依存度を評価する。次に、コアリスク最小化(CoRM)と呼ばれる新しい学習パラダイムを導入する。
論文参考訳（メタデータ） (2022-03-28T01:53:34Z)
Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-10-20T06:06:06Z)

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。