视频中伪造人脸的检测

深度学习方法已被用于创建可能对隐私、民主和国家安全造成威胁的应用，并可能被进一步用于放大恶意活动。近年来这类由深度学习驱动的应用之一是对名人视频的合成。据《福布斯》报道，生成对抗网络（GAN）生成的伪造视频每年呈指数级增长，且名为 Deeptrace 的组织估计从 2018 年到 2019 年深度伪造（deepfake）数量增加了 84%。它们被用于生成和修改人脸，现有伪造视频大多为非自愿的色情性质，估计约占 96%，还有一些是用于冒充人物进行网络犯罪。本文中，我们识别了可用的视频数据集，并使用预训练模型 BlazeFace 进行人脸检测，以及在数据集上训练的 ResNet 与 Xception 集成架构神经网络，以实现视频中伪造人脸检测的目标。该模型在损失值和对数损失值上进行优化，并以 F1 分数进行评估。在一部分数据样本上观察到，随着 focal loss 的 gamma 成为超参数，focal loss 提供了更好的准确率、F1 分数和损失。这在训练周期中达到了约 91% 的 k 折准确率峰值，而真实世界准确率会随着模型衰减随时间发生变化。