.png){kind=icon}
返回
Explainable Spatio-Temporal Attention Framework for GAN-Based Deepfake Detection
.png){kind=icon}
OA
AI
DOI：10.3390/electronics15184343.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
生成对抗网络（GANs）的快速发展使得合成媒体异常逼真，并催生了对网络安全、数字世界信任和信息完整性造成危害的深度伪造技术。当前深度伪造检测技术的最新进展面临若干问题，例如在多种篡改方法和压缩媒体上的泛化能力有限，以及时空学习能力不足。为解决这些问题，本研究开发了一种新颖的方法，该方法整合了一个强大的时空学习模型，采用Extreme Inception Network（XceptionNet）架构提取空间特征，使用双向长短时记忆（BiLSTM）网络进行时序序列学习，并引入时序注意力机制进行自适应帧分析。所提出的解决方案在流行的FaceForensics++数据集上进行了测试，该数据集包含多种基于GAN的篡改类型，如DeepFakes、Face2Face、FaceSwap、FaceShifter和NeuralTextures。结果表明，在二分类和多分类任务中均实现了更高的准确性，并借助可解释人工智能工具，如梯度加权类激活映射（Grad-CAM）和谢林加性解释（SHAP）。
Keyword:
deepfake detection
Generative Adversarial Networks (GANs)
spatio-temporal learning
temporal attention
Explainable Artificial Intelligence (XAI)
FaceForensics++, computer vision
digital forensics
deep learning
multimedia security
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
Analysis of Tree-Family Machine Learning Techniques for Risk Prediction in Software Requirements.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
Advancements in detecting Deepfakes: AI algorithms and future prospects − a review深度伪造检测的进展：AI算法与未来展望——综述
PREAI
分享收藏An Investigation into the Utilisation of CNN with LSTM for Video Deepfake Detection基于CNN与LSTM的视频深度伪造检测应用研究OAAI
OAAI分享收藏Generative Artificial Intelligence and the Evolving Challenge of Deepfake Detection: A Systematic Analysis生成式人工智能和Deepfake检测的不断发展的挑战: 系统分析OAAI
OAAI分享收藏Emergence of deepfakes and video tampering detection approaches: A surveydeepfakes和视频篡改检测方法的出现: 一项调查
PREAI
分享收藏
查看更多内容