关于改进深度伪造检测器的跨数据集泛化能力
计算机视觉与模式识别
2022-04-12 v1 人工智能
机器学习
摘要
深度伪造的人脸操纵已造成重大安全风险并引发严峻的社会担忧。作为对策，近来已提出若干深度伪造检测方法。其中多数将深度伪造检测建模为使用为该项任务预训练的主干卷积神经网络（CNN）架构的二分类问题。这些基于CNN的方法在深度伪造检测中展现出极高效力，曲线下面积（AUC）高达0.99。然而，当跨数据集评估时，这些方法的性能显著下降。本文中，我们将深度伪造检测表述为监督学习与强化学习（RL）的混合组合，以提升其跨数据集泛化性能。所提方法通过RL智能体以图像特定的方式为每个测试样本选择前k个增强。将每个测试图像所有增强经CNN得到的分类分数平均，用于最终的真/假分类。通过广泛的实验验证，我们证明了相较已有的已发表研究，我们的方法在深度伪造检测器的跨数据集泛化上具优越性，从而取得了最先进的性能。
引用
@article{arxiv.2204.04285,
title = {On Improving Cross-dataset Generalization of Deepfake Detectors},
author = {Aakash Varma Nadimpalli and Ajita Rattani},
journal= {arXiv preprint arXiv:2204.04285},
year = {2022}
}
备注
2022 Conference on Computer Vision and Pattern Recognition Workshops | New Orleans, Louisiana