基于深度学习的Deepfake检测综述
深度学习 (DL) 已成为计算机科学中最具影响力的领域之一,直接影响着当今人类生活和社会。与历史上所有其他技术创新一样,深度学习也被用于一些违法的行为。Deepfakes 就是这样一种深度学习应用,在过去的几年里已经进行了数百项研究,发明和优化各种使用 AI 的 Deepfake 检测,本文主要就是讨论如何对 Deepfake 进行检测
为了应对Deepfake,已经开发出了深度学习方法以及机器学习(非深度学习)方法来检测 。深度学习模型需要考虑大量参数,因此需要大量数据来训练此类模型。这正是 DL 方法与非 DL 方法相比具有更高性能和准确结果的原因。
什么是 Deepfake 检测
大多数 Deepfake 生成器都会在 Deepfake 的过程中留下留下一些痕迹。Deepfake 视频中的这些变化可以归类为空间不一致:视频的各个帧内发生的不兼容和时间不一致:视频帧序列中出现的不兼容特征 [1]。
空间不一致包括面部区域与视频帧的背景不兼容、分辨率变化以及部分渲染的器官和皮肤纹理(可能无法正确渲染面部的所有人类特征)。大多数常见的 Deepfake 生成器无法渲染眨眼和牙齿等特征。并且有事会使用白色条带代替静止帧上肉眼甚至可以看到的牙齿 (下图)。
时间不一致包括异常眨眼、头部姿势、面部动作以及视频帧序列中的亮度变化。
deepfake 生成器留下的空间和时间这些痕迹都可以通过由深度神经网络 (DNN) 制成的 deepfake 检测器来识别。我们熟悉的生成对抗网络(GANs)在deepfake 的生成器中的广泛应用挑战了造假检测和生成之间的平衡。
Deepfake检测
Deepfake 检测器是二元分类系统,可判断输入数字媒体是真还是假。Deepfake 检测不是由单个类似黑盒的模块执行的,而是由几个其他模块和步骤组成,它们共同作用以提供检测结果。Deepfake检测中的常见步骤如下[2]。
- Deepfake 数字媒体的输入。
- 预处理包括人脸检测和增强。
- 处理后的帧的特征提取。
- 分类/检测。
- 输出图像的真实性。
典型的基于 DL 的 Deepfake 检测器包含 3 个主要组件来执行上述任务。
- 预处理模块。
- 特征提取模块。
- 评估器模块(深度学习分类器模型)。
接下来将详细解释主要步骤:数据预处理、特征提取和检测/分类过程。
数据预处理
在数据收集阶段之后,数据应该在用于 Deepfake 检测的训练和测试步骤之前进行预处理。数据预处理是使用可用的库自动完成的,例如 OpenCV python 、MTCNN 和YOLO 等。
数据增强在提高练 Deepfake 检测器的性能中也起着至关重要的作用。可以应用诸如重新缩放(拉伸)、剪切映射、缩放增强、旋转、亮度变化和水平/垂直翻转等增强技术以增加数据集的泛化性 [3]。
数据预处理的第一步是从视频剪辑中提取单个帧。提取帧后需要从提取的视频帧中检测人脸。由于面部区域经常出现异常,因此仅选择面部区域有助于特征提取模型仅关注感兴趣区域(ROI),从而节省了用于全帧扫描的计算成本。一旦检测到面部区域,就会从帧的其余背景中裁剪它们,并按照一系列步骤使它们可用于模型训练和测试。裁剪面部区域的另一个原因是使模型的所有输入图像都具有相同的大小。
特征提取
上一步预处理的帧将会发送到特征提取器。大多数特征提取器都是基于卷积神经网络(CNN)的。最近的一些研究证明了胶囊网络在特征提取过程中应用的有效性和效率的提高,这是一个新趋势。
特征提取器提取预处理视频帧上可用的空间特征。特征提取能够提取视觉特征、局部特征/面部标志,如眼睛、鼻子、嘴巴的位置、嘴形的动态、眨眼等生物特征。然后将提取的特征向量发送到 分类器网络输出决策。
分类
用于分类的深度学习模型通常被称为Deepfake检测器的骨干。顾名思义,分类网络负责Deepfake检测管道中最重要的任务:即分类并确定输入视频是否是Deepfake的概率。大多数分类器都是二元分类器,其中Deepfakes输出为(0),原始帧输出为(1)。
分类器又是另一个卷积层(CNN)或类似的深度学习架构,如LSTM或ViT。分类模型的实际功能根据使用的DNN而异。例如在特征提取器模块中提取的眨眼特征可以被分类模块中的LSTM模块使用,以确定帧眨眼模式的时间不一致性,并据此判断输入是否是Deepfake[3]。在大多数情况下, Deepfake 检测器中最后一层为全连接层。由于卷积层的输出表示数据的高级特征,这些输出被展平并连接到单个输出层以产生最终决策。
总结
在过去的几年里,Deepfake 的创建和检测都出现了显着发展。与非深度学习方法相比,由于结果的准确性,使用深度学习技术进行 Deepfake 检测的相关研究也有很大的进步。CNN、RNN、ViT 和胶囊网络等深度神经网络架构广泛用于 Deepfake 检测器的实现。常见的 Deepfake 检测管道由数据预处理模块、基于 CNN 的特征提取器和分类模块组成。
此外,Deepfake 检测对 Deepfake 生成器在 Deepfake 上留下的痕迹有很大的依赖性。由于目前基于 GAN 的 Deepfake 生成器能够以最小的不一致性合成更真实的 Deepfake,因此必须开发新的方法来优化 Deepfake 检测。基于深度集成学习技术的 Deepfake 检测方法可以被认为是对抗 Deepfake 的现代和综合方法 [4]。尽管如此,有效且高效的 Deepfake 检测器的空缺仍然存在。
引用
[1] Ruben Tolosana, Ruben Vera-Rodriguez, Julian Fierrez, Aythami Morales, Javier Ortega-Garcia, DeepFakes and Beyond: A Survey of Face Manipulation and Fake Detection (2020), Information Fusion, 2020.
[2] Nguyen, Thanh & Nguyen, Cuong M. & Nguyen, Tien & Nguyen, Duc & Nahavandi, Saeid. Deep Learning for Deepfakes Creation and Detection: A Survey (2019).
[3] P. K. P. K. Sawinder Kaur, Deepfakes: temporal sequential analysis to detect face-swapped video clips using convolutional long short-term memory (2020), Journal of Electronic Imaging, p. 29(3), 2020.
[4] M. S. Rana and A. H. Sung, DeepfakeStack: A Deep Ensemble-based Learning Technique for Deepfake Detection (2020), 7th IEEE International Conference on Cyber Security and Cloud Computing (CSCloud)/2020 6th IEEE International Conference on Edge Computing and Scalable Cloud (EdgeCom), 2020.
https://avoid.overfit.cn/post/8e95663d71ae4139baba9bf621ea8fc4
作者:Pawara Siriwardhane, UG
基于深度学习的Deepfake检测综述相关推荐
- 论文阅读_基于深度学习的异常检测综述
英文题目:Deep Learning for Anomaly Detection: A Review 中文题目:基于深度学习的异常检测综述 论文地址:https://arxiv.org/pdf/200 ...
- 基于深度学习的目标检测综述(一):简介及骨干网络
这篇文献的主要结构如下: 第1节,简单介绍目标检测的发展及两类目标检测算法. 第 2 节中讨论了骨干网络,目标检测器需要强大的骨干网络来提取丰富的特征.众所周知,特定领域图像检测器的典型管道是任务的基 ...
- 基于深度学习的目标检测综述
基于深度学习的目标检测算法归类和总结 整体框架 目标检测算法 主要包括:[两阶段]目标检测算法.[多阶段]目标检测算法.[单阶段]目标检测算法 什么是两阶段目标检测算法,与单阶段目标检测有什么区别? ...
- 基于深度学习的目标检测综述(单阶段、多阶段、FPN变体、旋转目标检测等)
随着深度学习的发展,基于深度学习的目标检测方法因其优异的性能已经得到广泛的使用.目前经典的目标检测方法主要包括单阶段(YOLO.SSD.RetinaNet,还有基于关键点的检测方法等)和多阶段方法(F ...
- 病虫害模型算法_基于深度学习的目标检测算法综述
sigai 基于深度学习的目标检测算法综述 导言 目标检测的任务是找出图像中所有感兴趣的目标(物体),确定它们的位置和大小,是机器视觉领域的核心问题之一.由于各类物体有不同的外观,形状,姿态,加上成像 ...
- 综述 | 基于深度学习的目标检测算法
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 本文转自:计算机视觉life 导读:目标检测(Object Det ...
- 基于深度学习的目标检测算法综述(从R-CNN到Mask R-CNN)
深度学习目标检测模型全面综述:Faster R-CNN.R-FCN和SSD 从RCNN到SSD,这应该是最全的一份目标检测算法盘点 基于深度学习的目标检测算法综述(一) 基于深度学习的目标检测算法综述 ...
- 基于深度学习的目标检测算法综述(一)
基于深度学习的目标检测算法综述(一) 基于深度学习的目标检测算法综述(二) 基于深度学习的目标检测算法综述(三) 本文内容原创,作者:美图云视觉技术部 检测团队,转载请注明出处 目标检测(Object ...
- 基于深度学习的表面缺陷检测方法综述-论文阅读笔记
//2022.3.2日阅读笔记 原文链接:基于深度学习的表面缺陷检测方法综述 (aas.net.cn) 个人对本篇综述内容的大致概括 论文首先介绍了表面缺陷检测中不同场景下的成像方案,主要根据表面颜色 ...
最新文章
- 一个JS对话框,可以显示其它页面,
- 在飞塔防火墙上实现IPSec ×××
- 2021年春季学期-信号与系统-第十二次作业参考答案-第七小题
- Redis3:持久化
- 天翼云从业认证课后习题(3.2天翼云存储产品和3.4云数据库)
- Struts2的2.5.10版本找不到StrutsPrepareAndExecuteFilter过滤器 与 struts.xml文件通配符异常问题
- 启动LINUX下的TFTP服务器
- 删除字符串中指定的字符形成字符串
- 宏基电脑安装系统提示acpi错误_电脑常见问题怎么排除 电脑常见问题排除技巧【详解】...
- android游戏勿扰,App+1 | Android 勿扰自动化,看剧、游戏更「沉浸」:NoPopping
- Ansible 自动化运维工具
- java axis_Java 使用Axis实现WebService实例
- 计算机专硕一般研二在干嘛,专硕一般研二在干嘛,专硕两年怎么安排
- FPGA Vivado AXI _DMA IP介绍
- HYPERLEDGER FABRIC-CA学习
- k8s系列(二)——云计算相关概念
- 2021年G3锅炉水处理考试内容及G3锅炉水处理模拟试题
- 阿里云轻量服务器怎么设置密码?
- 树莓派GPIO针脚在python中BCM与BOARD模式
- 大量查询中通快运在途信息,并分析中转延误