Advancing Automated Deception Detection: A Multimodal Approach to Feature Extraction and Analysis

要約

ビデオ コンテンツの急激な増加に伴い、人間中心のビデオ分析における正確な欺瞞検出の必要性が最も重要になってきています。
この研究は、欺瞞検出モデルの精度を高めるためのさまざまな特徴の抽出と組み合わせに焦点を当てています。
ビジュアル、オーディオ、テキスト データから体系的に特徴を抽出し、さまざまな組み合わせを実験することで、99% という驚異的な精度を達成した堅牢なモデルを開発しました。
私たちの方法論は、欺瞞検出における特徴エンジニアリングの重要性を強調し、明確で解釈可能なフレームワークを提供します。
シングルモーダルアプローチとマルチモーダルアプローチの両方を使用して、LSTM、BiLSTM、事前トレーニングされた CNN を含むさまざまな機械学習モデルをトレーニングしました。
その結果、複数のモダリティを組み合わせると、単一モダリティのトレーニングと比較して検出パフォーマンスが大幅に向上することが実証されました。
この研究は、ビデオ分析における信頼性が高く透明性の高い自動欺瞞検出システムの開発における戦略的な特徴抽出と組み合わせの可能性を強調し、将来の研究におけるより高度で正確な検出方法論への道を開きます。

要約(オリジナル)

With the exponential increase in video content, the need for accurate deception detection in human-centric video analysis has become paramount. This research focuses on the extraction and combination of various features to enhance the accuracy of deception detection models. By systematically extracting features from visual, audio, and text data, and experimenting with different combinations, we developed a robust model that achieved an impressive 99% accuracy. Our methodology emphasizes the significance of feature engineering in deception detection, providing a clear and interpretable framework. We trained various machine learning models, including LSTM, BiLSTM, and pre-trained CNNs, using both single and multi-modal approaches. The results demonstrated that combining multiple modalities significantly enhances detection performance compared to single modality training. This study highlights the potential of strategic feature extraction and combination in developing reliable and transparent automated deception detection systems in video analysis, paving the way for more advanced and accurate detection methodologies in future research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google