LightFFDNets: Lightweight Convolutional Neural Networks for Rapid Facial Forgery Detection

要約

偽造品を正確かつ迅速に認識することは、人工知能、画像処理、物体検出の分野において非常に重要な問題です。
顔画像の偽造の認識は、現実世界の顔画像を分析することによって、その中の顔を分類および定義するプロセスです。
このプロセスは通常、分類アルゴリズムを使用して画像から特徴を抽出し、結果を正しく解釈することによって実現されます。
顔画像の偽造を正しく認識するには、さまざまな課題に直面する可能性があります。
たとえば、照明条件の変化、顔をさまざまな角度から見るなどの要因が認識パフォーマンスに影響を与える可能性があり、背景の複雑さや顔画像の視点の変更により正確な認識が困難になる可能性があります。
これらの困難にもかかわらず、偽造検出の分野では大きな進歩が見られました。
深層学習アルゴリズム、特に畳み込みニューラル ネットワーク (CNN) により、偽造検出パフォーマンスが大幅に向上しました。
この研究は、Fake-Vs-Real-Faces (Hard) [10] と 140,000 の本物の顔と偽の顔 [61] データセットを使用した画像処理ベースの偽造検出に焦点を当てています。
どちらのデータ セットも、本物の顔画像と偽の顔画像を含む 2 つのクラスで構成されています。
私たちの研究では、これらの画像を使用して偽造検出を行うために 2 つの軽量の深層学習モデルが提案されています。
さらに、8 つの異なる事前トレーニング済み CNN アーキテクチャが両方のデータセットでテストされ、その結果が新しく開発された軽量 CNN モデルと比較されました。
提案された軽量深層学習モデルには最小限の層数があることが示されています。
また、提案された軽量深層学習モデルが顔画像の偽造を正確かつ計算効率的に検出できることも示されています。
データセットは顔画像のみで構成されていますが、開発されたモデルは他の 2 クラスの物体認識問題にも使用できます。

要約(オリジナル)

Accurate and fast recognition of forgeries is an issue of great importance in the fields of artificial intelligence, image processing and object detection. Recognition of forgeries of facial imagery is the process of classifying and defining the faces in it by analyzing real-world facial images. This process is usually accomplished by extracting features from an image, using classifier algorithms, and correctly interpreting the results. Recognizing forgeries of facial imagery correctly can encounter many different challenges. For example, factors such as changing lighting conditions, viewing faces from different angles can affect recognition performance, and background complexity and perspective changes in facial images can make accurate recognition difficult. Despite these difficulties, significant progress has been made in the field of forgery detection. Deep learning algorithms, especially Convolutional Neural Networks (CNNs), have significantly improved forgery detection performance. This study focuses on image processing-based forgery detection using Fake-Vs-Real-Faces (Hard) [10] and 140k Real and Fake Faces [61] data sets. Both data sets consist of two classes containing real and fake facial images. In our study, two lightweight deep learning models are proposed to conduct forgery detection using these images. Additionally, 8 different pretrained CNN architectures were tested on both data sets and the results were compared with newly developed lightweight CNN models. It’s shown that the proposed lightweight deep learning models have minimum number of layers. It’s also shown that the proposed lightweight deep learning models detect forgeries of facial imagery accurately, and computationally efficiently. Although the data set consists only of face images, the developed models can also be used in other two-class object recognition problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google