MỘT PHƯƠNG PHÁP TIẾP CẬN MỚI ĐỂ PHÁT HIỆN VIDEO DEEPFAKE
Nội dung chính của bài viết
Tóm tắt
Trong bối cảnh kỹ thuật tạo video bằng công nghệ Deepfake ngày càng tinh vi, việc phát triển các phương pháp phát hiện tự động chính xác và đáng tin cậy trở nên cấp thiết. Nghiên cứu này đề xuất mô hình HDU-DFNet, tập trung vào phát hiện hiệu quả các trường hợp hoán đổi khuôn mặt trong video. Kết quả thực nghiệm cho thấy HDU-DFNet đạt độ chính xác và khả năng tổng quát vượt trội so với các kiến trúc mạng nơ-ron nhân chập truyền thống. Đồng thời, nghiên cứu cũng phân tích khả năng diễn giải của mô hình thông qua bản đồ nhiệt để làm rõ các vùng đặc trưng được hệ thống tập trung khi phát hiện dấu hiệu giả mạo.
Từ khóa
deepfake detection, deep learning, image classification
Chi tiết bài viết
Tài liệu tham khảo
Deep learning, Journal of educational equipment: Applied research, 2(299).
[2] Yan, Z., Zhang, Y., Yuan, X., Lyu, S., & Wu, B. D. (2023), A comprehensive benchmark of deepfake detection, arXiv preprint arXiv:2307.01426.
[3] Tuan, L. M., Manh, P. T., & Linh, D. T. T. (2023), Deepfake detection based on deep learning, TNU Journal of Science and Technology, 228(15): 88 - 95.
[4] Dolhansky, B., Bitton, J., Pflaum, B., Lu, J., Howes, R., Wang, M., & Ferrer, C. C.
(2020). The deepfake detection challenge (dfdc) dataset, arXiv preprint
arXiv:2006.07397.
[5] Altuncu, E., Franqueira, V., & Li, S. (2022). Deepfake: Definitions, performance metrics and standards, datasets and benchmarks, and a meta-review. arXiv. org.
[6] Pei, G., Zhang, J., Hu, M., Zhang, Z., Wang, C., Wu, Y., ... & Tao, D. (2024). Deepfake generation and detection: A benchmark and survey, arXiv preprint arXiv:2403.17881.
[7] Nguyen, T. T., Nguyen, Q. V. H., Nguyen, D. T., Nguyen, D. T., Huynh-The, T., Nahavandi, S., ... & Nguyen, C. M. (2022). Deep learning for deepfakes creation and detection: A survey. Computer Vision and Image Understanding, 223, 103525.
[8] Li, Y., & Lyu, S. (2018). Exposing deepfake videos by detecting face warping artifacts. arXiv preprint arXiv:1811.00656.
[9] Afchar, D., Nozick, V., Yamagishi, J., & Echizen, I. (2018, December). Mesonet: a compact facial video forgery detection network. IEEE international workshop on information forensics and security (WIFS) (pp. 1-7).
[10] Kwon, P., You, J., Nam, G., Park, S., & Chae, G. (2021). Kodf: A large-scale korean deepfake detection dataset, IEEE/CVF international conference on computer vision (pp. 10744-10753).
[11] Ni, Y., Meng, D., Yu, C., Quan, C., Ren, D., & Zhao, Y. (2022). Core: Consistent representation learning for face forgery detection . IEEE/CVF conference on computer vision and pattern recognition (pp. 12-21).
[12] Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., & Houlsby, N. (2020). An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929.
[13] Rossler, A., Cozzolino, D., Verdoliva, L., Riess, C., Thies, J., & NieBner, M. (2019). Faceforensics++: Learning to detect manipulated facial images. EEE/CVF international conference on computer vision (pp. 1-11).
[14] X., “140k real and fake faces,” 2020. [Online]. Available:
https://www.kaggle.com/datasets/xhlulu/140k-real-and-fake-faces
[15] Li, Y., Yang, X., Sun, P., Qi, H., & Lyu, S. (2020). Celeb-df: A large-scale challenging dataset for deepfake forensics. IEEE/CVF conference on computer vision and pattern recognition (pp. 3207-3216).
[16] Le, T. N., Nguyen, H. H., Yamagishi, J., & Echizen, I. (2021). Openforensics: Large- scale challenging dataset for multi-face forgery detection and segmentation in-the- wild, International conference on computer vision - ICCV (pp. 10117-10127).