โมเดลและแพลตฟอร์ม AI
วิธีการใหม่ตรวจจับ Deep Fakes ด้วยความแม่นยำ 99%
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ทีมนักวิทยาศาสตร์คอมพิวเตอร์จาก UC Riverside ได้พัฒนาวิธีการใหม่ในการตรวจจับการปลอมแปลงการแสดงสีหน้าบนใบหน้าในวิดีโอ Deep Fake วิธีการนี้สามารถตรวจจับการแสดงสีหน้าที่ถูกปลอมแปลงได้ถึง 99% ซึ่งแม่นยำกว่าวิธีการที่มีอยู่ในปัจจุบัน
วิจัยใหม่เรื่อง “การตรวจจับและระบุตำแหน่งการปลอมแปลงการแสดงสีหน้าบนใบหน้า” ได้นำเสนอที่การประชุม Winter Conference on Applications of Computer Vision ปี 2022
การตรวจจับการปลอมแปลงใบหน้าใดๆ
วิธีการนี้ยังได้รับการพิสูจน์ว่ามีความแม่นยำเท่ากับวิธีการที่มีอยู่ในปัจจุบันในกรณีที่ใบหน้าถูกเปลี่ยนแทนที่จะเป็นการแสดงสีหน้า ซึ่งหมายความว่าวิธีการใหม่นี้สามารถใช้ในการตรวจจับการปลอมแปลงใบหน้าใดๆ และเป็นก้าวสำคัญในการพัฒนาเครื่องมืออัตโนมัติในการตรวจจับวิดีโอที่ถูกปลอมแปลง
การเปลี่ยนใบหน้าไม่เคยง่ายเท่านี้มาก่อน ไม่ว่าจะเปลี่ยนใบหน้าของบุคคลหนึ่งเป็นอีกบุคคลหนึ่งหรือเปลี่ยนการแสดงสีหน้าเดิมได้ เนื่องจากความก้าวหน้าล่าสุดในซอฟต์แวร์ตัดต่อวิดีโอ การตรวจจับวิธีการเหล่านี้มีความสำคัญอย่างมาก เนื่องจากพวกมันถูกใช้ในความขัดแย้งภายในประเทศและระหว่างประเทศทั่วโลก ด้วยเหตุนี้ การระบุใบหน้าที่มีการแสดงสีหน้าเปลี่ยนแปลงจึงเป็นเรื่องที่ท้าทายมาก
Amit Roy-Chowdhury เป็นศาสตราจารย์ด้านวิศวกรรมไฟฟ้าและคอมพิวเตอร์ที่ Bourns College of Engineering และเป็นผู้ร่วมเขียนงานวิจัย
“สิ่งที่ทำให้การวิจัย Deep Fake มีความท้าทายมากขึ้นคือการแข่งขันระหว่างการสร้างและการตรวจจับและการป้องกัน Deep Fake ซึ่งจะกลายเป็นการแข่งขันที่รุนแรงมากขึ้นในอนาคต ด้วยความก้าวหน้าในโมเดลการสร้างข้อมูล Deepfakes จะง่ายต่อการสร้างและยากต่อการแยกแยะจากของจริง” เขากล่าว
ภาพ: UC Riverside
การตรวจจับการปลอมแปลงการแสดงสีหน้า (EMD)
วิธีการใหม่นี้แบ่งงานออกเป็นสองส่วนภายในโครงข่ายประสาทเทียมเชิงลึก โดยแขนงแรก ระบุการแสดงสีหน้าและให้ข้อมูลเกี่ยวกับพื้นที่ที่มีการแสดงสีหน้า พื้นที่เหล่านี้รวมถึงปาก ตา หน้าผาก และอื่นๆ ข้อมูลนี้จะถูกส่งไปยังส่วนที่สอง ซึ่งเป็นสถาปัตยกรรม encoder-decoder ที่รับผิดชอบในการตรวจจับการปลอมแปลงและการระบุตำแหน่ง
ทีมงานตั้งชื่อโครงสร้างนี้ว่า Expression Manipulation Detection (EMD) และสามารถตรวจจับและระบุตำแหน่งพื้นที่ที่ถูกเปลี่ยนแปลงในภาพ
Ghazal Mazaheri เป็นนักศึกษาระดับปริญญาเอกและผู้นำการวิจัย
“การเรียนรู้หลายงานสามารถใช้คุณลักษณะที่โดดเด่นที่ได้มาจากระบบการรู้จำการแสดงสีหน้าเพื่อประโยชน์ต่อการฝึกอบรมระบบการตรวจจับการปลอมแปลงแบบดั้งเดิม วิธีการนี้สามารถให้ผลลัพธ์ที่น่าประทับใจในการตรวจจับการปลอมแปลงการแสดงสีหน้า” Mazaheri กล่าว
นักวิจัยได้ทำการทดลองบนชุดข้อมูลการปลอมแปลงใบหน้าที่ท้าทายสองชุด และแสดงให้เห็นว่า EMD มีประสิทธิภาพดีกว่าในการตรวจจับการปลอมแปลงการแสดงสีหน้าและเปลี่ยนใบหน้า และสามารถตรวจจับวิดีโอที่ถูกปลอมแปลงได้ถึง 99%
