Resumen

Recientemente, se han propuesto varios métodos de detección de Deepfake, y la mayoría de ellos se basan en redes neuronales convolucionales (CNN). Estos métodos de detección sufren de sobreajuste en el conjunto de datos fuente y no funcionan bien en conjuntos de datos de dominios cruzados que tienen distribuciones diferentes al conjunto de datos fuente. Para abordar estas limitaciones, en este artículo se propone un nuevo método llamado FeatureTransfer, que es un método de detección de Deepfake de dos etapas que combina el aprendizaje por transferencia. En primer lugar, el modelo de CNN preentrenado en un conjunto de datos de Deepfake de gran escala de terceros se puede utilizar para extraer los vectores de características más transferibles de los videos de Deepfake en los dominios fuente y objetivo. En segundo lugar, estos vectores de características se introducen en la red neuronal adversaria de dominio basada en retropropagación (BP-DANN) para un entrenamiento adaptativo de dominio no supervisado, donde los videos en el dominio fuente tienen etiquetas reales o falsas, mientras que

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Varios; Métodos de detección de deepfake; Redes neuronales convolucionales; Sobreajuste; Aprendizaje de transferencia; FeatureTransfer
• Keywords:Various; Deepfake detection methods; Convolutional neural networks; Overfitting; Transfer learning; FeatureTransfer