Détection de Deepfakes par Réseaux de Convolution : Performances et Limites Actuelles
Résumé
The rapid development in face manipulation (i.e., deepfake) methods makes the development of effective detection tools necessary. Even if today’s most effective deepfake detectors—based on deep learning—achieve good results, they still suffer from a limited ability to generalize their detection performance to novel types of deepfakes unseen during training. In this paper, we undertake a study to show the performance as well as the limits of the current methods by evaluating XceptionNet, a state-of-the-art architecture, on a type of deepfake that is unseen during training and by using t-SNE, a powerful visualization tool.
Le perfectionnement des méthodes de trucage des visages (deepfakes en anglais) rend nécessaire le développement d'outils de détection efficaces. Même si les outils de détection les plus élaborés aujourd'hui—basés sur l'apprentissage profond—obtiennent de bons résultats, leur capacité à généraliser la détection à de nouveaux types de manipulations non rencontrés pendant l'entrainement reste très limitée. Dans cet article, nous réalisons une étude afin de montrer les performances ainsi que les limites des méthodes actuelles en évaluant XceptionNet, une architecture de l'état de l'art, sur un type de deepfakes non vu à l'entrainement et en utilisant t-SNE, un puissant outil de visualisation.
Domaines
Informatique [cs]| Origine | Fichiers produits par l'(les) auteur(s) |
|---|