【DeepFakeAnnotations】Analyzing Fairness in Deepfake Detection With Massively Annotated Databases

Analyzing Fairness in Deepfake Detection With Massively Annotated Databases

会议/期刊：TIFS 2024
作者：

code：https://github.com/xuyingzhongguo/DeepFakeAnnotations

背景

近年来，利用Deepfake对图像和视频进行篡改已经成为安全和社会的严重关注问题。

越来越多的人担心这些模型和训练数据库可能会有偏差，从而导致Deepfake检测器失败。

points

创建大规模Deepfake数据集研究公共Deepfake数据集中导致偏倚检测的因素。
综合分析导致三个国家的人工智能偏差的属性。
【分析导致偏差的因素及偏差属性】

各种属性：人口统计学（年龄、性别、种族）和非人口统计学（头发、皮肤、配饰等）属性。

使用的Deepfake检测骨干模型受到调查属性的强烈影响，使其在属性之间不公平。