基于改进 RCNN 的深度伪造检测：通过优化混合模型实现 EAR 生物识别描述符

深度伪造是近年来广泛使用的技术，用于通过改变和替换 various sources 中的面部信息来创建有害内容，如假新闻、电影和谣言。鉴于 deepfakes 持续演化， continuous identification and prevention 至关重要。由于近期 AI 技术的进步，distinguishing deepfakes and artificially altered images 变得具有挑战性。本方法引入了稳健的检测微小耳部动力学和形状变化以生成耳部描述符的技术。进一步，我们提出了一种 novel optimized hybrid deepfake detection model，考虑通过增强 RCNN (基于区域的卷积神经网络) 实现 EAR 生物识别描述符。初始阶段，输入视频被转换为帧并通过调整大小、归一化、灰度转换和过滤 process 进行预处理，随后使用 Viola-Jones 技术进行人脸检测。接下来，利用 DBN (深度置信网络) 和 Bi-GRU (双向门控循环单元) 进行基于耳部描述符的 deepfake 检测。检测阶段的输出通过 improved score-level fusion 确定。为提升性能，both detection models 的权重通过 SU-JFO (Self-Upgraded Jellyfish Optimization method) 进行 optimal tuning。实验基于四种情景：压缩、噪声、旋转、姿态和照明，在三个不同的数据集上进行。性能结果 affirm that our proposed method 在 various performance metrics（如 accuracy、specificity 和 precision）方面优于传统模型，包括 CNN、SqueezeNet、LeNet、LinkNet、LSTM、DFP (Deepfake Predictor) 和 ResNext+CNN+LSTM。