基于三維人臉數據增強的深度偽造檢測方法
網絡安全與數據治理 9期
王昊冉，楊敏敏，王澤源，白亮，于天元，郭延明
（1.國防科技大學系統工程學院，湖南長沙410073; 2.佳木斯大學信息電子技術學院，黑龍江佳木斯156100）
摘要： 隨著深度偽造技術的發展，深度偽造視頻的制作及傳播變得越來越容易，給社會帶來了巨大的安全風險，深度偽造檢測算法成為當前網絡安全領域的重要方向。聚焦于提出一種泛化性能更好、效率更高、可解釋性更強的深度偽造檢測算法，主要針對DFDC、FaceForensic++及CelebDF三個深度偽造視頻數據集進行實驗并以這三個數據集集中訓練出檢測模型，首先使用人臉檢測算法MTCNN提取人臉圖像，進而將EfficientNet網絡與Transformer架構相結合作為檢測模型，通過采用三維人臉數據增強、注意力機制以及全局局部融合方法對模型進行訓練和測試。模型在未使用型集成、知識蒸餾等方法的基礎上，達到了與最優檢測效果相當的檢測水平。
中圖分類號：KN 90
文獻標識碼：A
DOI:10.19358/j.issn.2097-1788.2023.09.003
引用格式：王昊冉，楊敏敏，王澤源，等.基于三維人臉數據增強的深度偽造檢測方法［J］.網絡安全與數據治理，2023，42（9）：11-20.
文獻標識碼：A
DOI:10.19358/j.issn.2097-1788.2023.09.003
引用格式：王昊冉，楊敏敏，王澤源，等.基于三維人臉數據增強的深度偽造檢測方法［J］.網絡安全與數據治理，2023，42（9）：11-20.
Deepfake detection based on 3D face data augmentation
Wang Haoran1, Yang Minmin2，Wang Zeyuan1，Bai Liang1，Yu Tianyuan1，Guo Yanming1
(1.College of System Engineering, National University of Defence Technology, Changsha 410073, China; 2.School of Information and Electonics Technology， Jiamusi University,Jiamusi 156100, China)
Abstract： With the development of deepfake technology, the production and dissemination of deepfake videos have become increasingly easy, posing significant security risks to society. Therefore, researching deepfake detection algorithms has become an important direction in the field of network security. This paper focuses on proposing a deepfake detection algorithm with better generalization performance, higher efficiency, and stronger interpretability. Experiments are conducted on three deepfake video datasets: DFDC, FaceForensic++, and CelebDF. Firstly, the Multitask Cascaded Convolutional Networks (MTCNN) face detection algorithm is used to extract facial images. Then, the EfficientNet network is combined with the Transformer architecture as the detection model. The model is trained and tested using data augmentation, attention mechanisms, and globallocal fusion methods. Without employing complex model ensembles or knowledge distillation, our model achieves comparable detection performance to stateoftheart methods.
Key words : deep forgery detects;attention-mechanism; data augmentation; neural networks
0 引言
隨著深度學習技術特別是對抗生成網絡(GAN)技術的不斷發展以及互聯網及個人計算機的普及，偽造視頻的濫用也在隨之增長［1］。大量包含虛假政治人物信息的深度偽造視頻在社交媒體上傳播引發廣泛關注［2］。準確鑒別深度偽造視頻，防止其產生惡劣社會影響成為輿論安全領域一個重要的課題，鑒于此，國內外均采取一定的措施。2017年，《新一代人工智能發展規劃》經國務院頒布，該規劃繪制了我國人工智能發展的宏偉藍圖［3］。2018年，美國國會官方定義了“深度偽造”概念，并于當月通過了《禁止惡意深度偽造法令》［4］。2019年，美國國際戰略研究中心(CSIS)針對深度偽造技術政策發布簡報。2020年，美國國防高級研究計劃局(DARPA)為“欺騙逆向工程”項目發布了一份招標文件，該項目旨在對信息欺騙攻擊的工具鏈進行逆向工程。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000005655
作者信息：
王昊冉1，楊敏敏2，王澤源1，白亮1，于天元1，郭延明1
（1.國防科技大學系統工程學院，湖南長沙410073;2.佳木斯大學信息電子技術學院，黑龍江佳木斯156100）
此內容為AET網站原創，未經授權禁止轉載。