Спикер о работе:
Системы для определения дипфейков плохо генерализируются на новых базах данных или новых дипфейках. В этом вебинаре, мы продемонстрируем эту проблему и предложим несколько общих подходов, которые должны улучшить генерализацию моделей для определения дипфейков.
Мы рассмотрим такие подходы как увеличение разнообразия данных при тренировке с помощью агрессивной генерации данных, тонкая настройка моделей под новые данные и переформатирование моделей под обучение для атрибуции вместо обычной бинарной классификации.
Дополнительные ссылки:
— Pavel Korshunov and Sébastien Marcel, «Improving Generalization of Deepfake Detection with Data Farming and Few-Shot Learning», IEEE Transactions on Biometrics, Behavior, and Identity Science, 2021. https://publications.idiap.ch/attachments/papers/2021/Korshunov_TBIOM_2021.pdf
— Anubhav Jain, Pavel Korshunov, and Sébastien Marcel, «Improving Generalization of Deepfake Detection by Training for Attribution», MMSP 2021. http://publications.idiap.ch/downloads/papers/2021/Jain_MMSP_2021.pdf
— Pavel Korshunov, Anubhav Jain, and Sébastien Marcel, «Custom attribution loss for improving generalization and interpretability of deepfake detection», ICASSP 2022. https://publications.idiap.ch/attachments/papers/2022/Korshunov_ICASSP_2022.pdf
Презентация: https://drive.google.com/file/d/16jKOvCiJcRSHYZsxnicXHrnaJ_1pIpVg/view?usp=sharing
Видеозапись: https://youtu.be/ZockRUVLlR0