Development of a Multimodal Framework for Deepfake Detection: Combining Visual and Audio Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Machine learning and social media advancements enable the rapid spread of realistic fake content, encompassing images, videos, and audio.Initially, fake content generation primarily focused on manipulating either audio or video streams.However, recent advancements in deep learning have enabled more sophisticated alterations, commonly called "deepfakes."While existing research predominantly concentrates on detecting fake videos by exploiting either visual or audio modalities, few approaches address audio-visual deep-fake detection.Nevertheless, these methods often need more accuracy when evaluated on a multimodal dataset with deepfake videos and manipulations in both streams.Due to neglecting facial features in preprocessing and using traditional training models.In response to this challenge, we propose a robust audio-visual deepfake detection (MAVDD) approach that analyzes audio and visual streams to enhance detection capabilities.Effectively utilizing pretrained models in image classification tasks for detecting visual deepfakes, alongside advanced preprocessing techniques for optimal facial and audio features extraction.Our experiments conducted on the multimodal audio-visual deepfake dataset "FakeAVCeleb" demonstrate that our proposed approach surpasses both unimodal (audio-only and visual-only) and multimodal (audio-visual) deepfake detection approaches in terms of accuracy and AUC (Area Under The Curve) as dedicated to tables I, II, and III.The implementation of our research work and the dataset are publicly available at the following link: https://github.com/mutlimodalDeepfakeDetection/AV-detector.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle