Deepfake Detection of Face Images based on aConvolutional Neural Network——基于卷积神经网络的人脸图像深度伪造检测

arXiv 202503

摘要

-假新闻，特别是deepfakes（生成的非真实图像或视频内容）在过去几年中已经成为一个严肃的话题。随着机器学习算法的出现，现在比以往任何时候都更容易生成这种虚假内容，即使是对私人来说。生成的虚假图像的问题在政治和公众人物的背景下尤其重要。

我们希望通过构建基于卷积神经网络的模型来解决这一冲突，以便检测此类显示人类肖像的生成和伪造图像。作为基础，我们使用预训练的ResNet-50模型，因为它在分类图像方面很有效。然后，我们采用基本模型来将单个图像分类为真实图像。通过添加一个包含单个神经元的全连接输出层来识别真实的或虚假的图像。我们应用微调和迁移学习来开发模型并改进其参数。在训练过程中，我们收集了图像数据集“多样化的人脸伪造数据集”。包含各种不同的图像处理方法，以及图像上可见人脸的多样性。最终模型达到了以下出色的性能指标：精确度= 0.98，召回率0.96，F1-Score = 0.97和曲线下面积= 0.99。

索引术语- ResNet-50，迁移学习，二进制分类，多样化的人脸假数据集，概率密度函数

一、引言

假新闻--世界范围内最流行、最受欢迎、但也是最具问题的话题之一。假新闻可能已经存在了数千年，但近年来变得越来越重要。特别是由于互联网，假新闻的使用和传播最近呈指数级增长。特别是年轻人使用互联网上的社交媒体平台来了解自己并保持最新。

这在政治和公众人物的背景下变得尤为重要

假新闻过去只以假文本的形式出现，但现在已不再局限于这种单一格式：一个名为deepfake的新范围也可以算作假新闻。这个术语是“深度学习”和“假”的组合。因此，Deepfake指的是使用生成机器学习算法伪造内容，通常是图像和视频。由于这些算法不断变得更好，更便宜，私人对这种媒体的创造和使用也在稳步增加。使用Deepfake技术，可以像以前一样更快地创建和分发包含全新和非真实的内容的图像和视频形式的假新闻。

虽然机器学习工具通常被开发用于在机器人、自主系统或语音模型领域创建创新解决方案，但它们也可以用于创建深度伪造，使其变得越来越真实和真实的。例如，在图像中，人们的某些特征或面部表情可以被改变，甚至整个面部