基于三维人脸数据增强的深度伪造检测方法
网络安全与数据治理 9期
王昊冉，杨敏敏，王泽源，白亮，于天元，郭延明
（1.国防科技大学系统工程学院，湖南长沙410073; 2.佳木斯大学信息电子技术学院，黑龙江佳木斯156100）
摘要：随着深度伪造技术的发展，深度伪造视频的制作及传播变得越来越容易，给社会带来了巨大的安全风险，深度伪造检测算法成为当前网络安全领域的重要方向。聚焦于提出一种泛化性能更好、效率更高、可解释性更强的深度伪造检测算法，主要针对DFDC、FaceForensic++及CelebDF三个深度伪造视频数据集进行实验并以这三个数据集集中训练出检测模型，首先使用人脸检测算法MTCNN提取人脸图像，进而将EfficientNet网络与Transformer架构相结合作为检测模型，通过采用三维人脸数据增强、注意力机制以及全局局部融合方法对模型进行训练和测试。模型在未使用型集成、知识蒸馏等方法的基础上，达到了与最优检测效果相当的检测水平。
中图分类号：KN 90
文献标识码：A
DOI:10.19358/j.issn.2097-1788.2023.09.003
引用格式：王昊冉，杨敏敏，王泽源，等.基于三维人脸数据增强的深度伪造检测方法［J］.网络安全与数据治理，2023，42（9）：11-20.
文献标识码：A
DOI:10.19358/j.issn.2097-1788.2023.09.003
引用格式：王昊冉，杨敏敏，王泽源，等.基于三维人脸数据增强的深度伪造检测方法［J］.网络安全与数据治理，2023，42（9）：11-20.
Deepfake detection based on 3D face data augmentation
Wang Haoran1, Yang Minmin2，Wang Zeyuan1，Bai Liang1，Yu Tianyuan1，Guo Yanming1
(1.College of System Engineering, National University of Defence Technology, Changsha 410073, China; 2.School of Information and Electonics Technology， Jiamusi University,Jiamusi 156100, China)
Abstract：With the development of deepfake technology, the production and dissemination of deepfake videos have become increasingly easy, posing significant security risks to society. Therefore, researching deepfake detection algorithms has become an important direction in the field of network security. This paper focuses on proposing a deepfake detection algorithm with better generalization performance, higher efficiency, and stronger interpretability. Experiments are conducted on three deepfake video datasets: DFDC, FaceForensic++, and CelebDF. Firstly, the Multitask Cascaded Convolutional Networks (MTCNN) face detection algorithm is used to extract facial images. Then, the EfficientNet network is combined with the Transformer architecture as the detection model. The model is trained and tested using data augmentation, attention mechanisms, and globallocal fusion methods. Without employing complex model ensembles or knowledge distillation, our model achieves comparable detection performance to stateoftheart methods.
Key words :deep forgery detects;attention-mechanism; data augmentation; neural networks
0 引言
随着深度学习技术特别是对抗生成网络(GAN)技术的不断发展以及互联网及个人计算机的普及，伪造视频的滥用也在随之增长［1］。大量包含虚假政治人物信息的深度伪造视频在社交媒体上传播引发广泛关注［2］。准确鉴别深度伪造视频，防止其产生恶劣社会影响成为舆论安全领域一个重要的课题，鉴于此，国内外均采取一定的措施。2017年，《新一代人工智能发展规划》经国务院颁布，该规划绘制了我国人工智能发展的宏伟蓝图［3］。2018年，美国国会官方定义了“深度伪造”概念，并于当月通过了《禁止恶意深度伪造法令》［4］。2019年，美国国际战略研究中心(CSIS)针对深度伪造技术政策发布简报。2020年，美国国防高级研究计划局(DARPA)为“欺骗逆向工程”项目发布了一份招标文件，该项目旨在对信息欺骗攻击的工具链进行逆向工程。
本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005655
作者信息：
王昊冉1，杨敏敏2，王泽源1，白亮1，于天元1，郭延明1
（1.国防科技大学系统工程学院，湖南长沙410073;2.佳木斯大学信息电子技术学院，黑龙江佳木斯156100）
此内容为AET网站原创，未经授权禁止转载。