Deep Deception Detector: Exposing AI Generated Fake Video
Notice bibliographique
Résumé
Deepfakes are artificially generated videos or images created to falsely portray someone as saying or doing things they never actually did. These manipulated media forms can lead to serious issues, especially when circulated on social media platforms. As a result, detecting deepfakes has become increasingly critical. This project builds on an existing detection method called FAMM, which targets identifying deepfakes, particularly in videos that have been compressed. The original FAMM approach analyzes facial movements by calculating distances and angles between key facial landmarks, such as the eyes, nose, and mouth, and observing how these points change over time. In this earlier method, GRU and SVM models were used to capture the temporal and static changes, and their outputs were combined to determine whether the video was authentic or fake. In our updated approach, we introduce more advanced techniques. We replace the GRU with a Transformer model, which offers improved capabilities in capturing time-based changes in facial movements. Additionally, we implement EfficientNet to extract more precise features from the face images. The data from both models are processed and then combined through a fusion strategy to reach a final classification of whether the video is real or fake. With these advancements, our system demonstrates improved accuracy in detecting deepfakes, even in low-quality or compressed videos. This project highlights how cutting-edge deep learning techniques can better address the spread of deepfakes on social media platforms.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».