Enhancing Deepfake Detection using SE Block Attention with CNN

要約

デジタル時代において、Deepfakeは、高度な人工知能を使用して非常に説得力のある操作コンテンツを作成し、情報の信頼性とセキュリティを損なうことにより、手ごわい挑戦を提示します。
これらの洗練された製造は、複雑さとリアリズムの伝統的な検出方法を上回ります。
この問題に対処するために、革新的なディープフェイク検出モデルを設計するために、最先端の深い学習方法論を活用することを目指しています。
ただし、Deepfake検出用に設計されたモデルのほとんどは大きく、重貯蔵と記憶消費を引き起こします。
この研究では、ディープフェイク検出のためにスクイーズと励起ブロックの注意（SE）を備えた軽量畳み込みニューラルネットワーク（CNN）を提案します。
SEブロックモジュールは、動的なチャネルごとの特徴の再調整を実行するように設計されています。
SEブロックにより、ネットワークは有益な機能を強調し、それほど有用でない機能を抑制し、より効率的で効果的な学習モジュールにつながります。
このモジュールは、ディープフェイク検出を実行するためのシンプルなシーケンシャルモデルと統合されています。
モデルのサイズは小さく、ディープフェイク検出タスクの既存のモデルと競合する精度を達成します。
このモデルは、多様な偽のフェイスデータセットのスタイルGANデータセットで、94.14％の全体的な分類精度と0.985のAUC-ROCスコアを達成しました。
提案されているアプローチは、ディープファークレンジとの闘いで最小限の計算リソースと闘い、デジタルコンテンツ検証のための効率的でスケーラブルなソリューションを開発するための有望な手段を提示します。

要約(オリジナル)

In the digital age, Deepfake present a formidable challenge by using advanced artificial intelligence to create highly convincing manipulated content, undermining information authenticity and security. These sophisticated fabrications surpass traditional detection methods in complexity and realism. To address this issue, we aim to harness cutting-edge deep learning methodologies to engineer an innovative deepfake detection model. However, most of the models designed for deepfake detection are large, causing heavy storage and memory consumption. In this research, we propose a lightweight convolution neural network (CNN) with squeeze and excitation block attention (SE) for Deepfake detection. The SE block module is designed to perform dynamic channel-wise feature recalibration. The SE block allows the network to emphasize informative features and suppress less useful ones, which leads to a more efficient and effective learning module. This module is integrated with a simple sequential model to perform Deepfake detection. The model is smaller in size and it achieves competing accuracy with the existing models for deepfake detection tasks. The model achieved an overall classification accuracy of 94.14% and AUC-ROC score of 0.985 on the Style GAN dataset from the Diverse Fake Face Dataset. Our proposed approach presents a promising avenue for combating the Deepfake challenge with minimal computational resources, developing efficient and scalable solutions for digital content verification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google