抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
DeepFakes検出手法は,一般化可能なDeepFakes検出器を提供するため,発生タイプ,品質,および外観にわたって診断する必要がある。限られた一般化可能性は,それらがオープンセットシナリオにおいて,不調な攻撃を扱うことができないならば,検出器の大規模な展開を妨げるであろう。教師つきコントラスト(SupCon)損失を用いて,新規で未知/未知のDeepFakeを検出することができる一般化可能な検出モデルを提案した。DeepFakeは,元の画像/ビデオを外観の観点から大きな範囲に似せることができ,それらをセークするのに挑戦するので,一般化可能な検出器を学習するために表現空間におけるコントラストを利用することを提案する。さらに,説明可能性のために提案手法から学習する特徴を調べた。モデルの説明可能性の解析は,融合の必要性を提唱し,これに動機付けられ,提案SupConモデルとX開始ネットワークからスコアを融合し,異なるアーキテクチャから変動性を利用する。提案したモデルは,既知のデータおよび未知のデータ設定において,既知のデータおよび未知の攻撃に対して,単一モデルと比較して,一般に,一般化可能性および説明可能性とともに,一貫して,より良好に機能した。提案したSupConモデルと,試験クラスが訓練段階で未知である真のオープンセット評価シナリオにおける提案融合による83.99%の精度を用いて,78.74%の最高精度を得た。また,本論文は,コード利用可能な1.1https://github.com/xuyingzhongguo/deepfake_supconを作成することによって,再現可能な研究とも整列する。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】