超级会员免费看
本文介绍了DeepfakeBench，这是一个针对深度伪造检测的全面基准，旨在解决现有方法中数据处理、实验设置不一致的问题。研究包括设计统一的数据处理系统、提出集成框架以及设定标准评估指标。DeepfakeBench提供了统一处理的数据集、模块化代码库，包含数据处理、训练和评估模块，并使用多种评价指标如ACC、AUC、AP和EER，以及可视化工具如Grad-CAM和t-SNE进行分析。
一、研究背景
1、Deepfake detection领域缺乏一个标准、统一、全面的benchmark。现有方法的数据处理、实验设置、评估策略、度量方式不一致。
2、现有检测方法分为： Naive detector、Spatial detector、Frequency detector。
二、研究目标
1、设计标准的数据处理系统，以确保所有检测器的输入一致。
2、提出先进的集成框架。
3、设计标准的评估指标和协议。
三、Benchmark贡献
1、对常用数据集进行统一处理，并对FF++和DFD数据集进行mask数据扩充，同时允许自由组合训练数据和测试数据。
2、构建模块化的代码库，其中三个核心模块分别为：数据处理模块（处理、排列）、训练模块（单一检测、空间检测、频率检测）、评价分析模块。
3、提供多样化评价指标及可视化工具：accuracy (ACC), the area under the ROC curve (AUC), average precision (AP), and equal errorrate (EER)；Grad-CAM，t-SNE。
四、实验结果
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
