Ссылки по теме выпускной работы
-
Дручевский Д.В. Программные модели глубоких нейронных сетей в системе видеоконтроля за людьми по изображениям лиц из видеопотока
Описание: Персональный сайт на портале магистров ДонНТУ, 2022 г.
Руководитель: к.т.н., доцент, профессор кафедры программной инженерии им. Л.П. Фельдмана Федяев Олег Иванович
-
Суханов А.А. Визуальный контроль присутствия студентов в аудитории на основе глубокой нейронной сети
Описание: Персональный сайт на портале магистров ДонНТУ, 2023 г.
Руководитель: к.т.н., доцент, профессор кафедры программной инженерии им. Л.П. Фельдмана Федяев Олег Иванович
-
Понятие дипфейка в российском праве, классификация дипфейков и вопросы их правового регулирования
Авторы: Бодров Н.Ф., Лебедева А.К.
Описание: В статье авторами рассматриваются вопросы правового регулирования дипфейков в Российской Федерации. Правовое регулирование дипфейков не успевает за темпами развития технологий искусственного интеллекта. Авторы подчёркивают, что определение дипфейка в действующем законодательстве отсутствует, а существующие в научных работах формулировки крайне противоречивы по своей сути. С учётом темпов развития технологий искусственного интеллекта необходимо законодательно закрепить определение дипфейка. Авторы отмечают, что классификация дипфейков имеет принципиально важное значение для правового регулирования данных технологий. По результатам анализа современных нейросетей предлагается видовая классификация дипфейков. В контексте стремительного развития технологий искусственного интеллекта необходимо должным образом осмыслить нормативное регулирование дипфейков с учетом правовых пробелов, которые сопровождают современный уровень искусственного интеллекта, и потенциальных угроз, которые становятся всё более реальными...
-
Судебно-экспертное противодействие дипфейк-дезинформации
Авторы: Бодров Н.Ф., Лебедева А.К.
Описание: С учетом природы дипфейка как цифрового продукта, разновидностей генеративного контента, созданного при помощи технологий искусственного интеллекта, - предложить некоторые научно-методические и практические рекомендации для судебно-экспертного исследования таких материалов. Методология: методы анализа и синтеза, системный метод, метод межотраслевых юридических исследований, методы лингвистической экспертизы (например, метод аудитивно-лингвистического и инструментального анализа).
-
Цифровые угрозы в современном мире: технология DEEPFAKE
Авторы: Поздняк И.Н.
Описание: В статье рассматриваются понятие дипфейка и технология создания контента с дипфейком, угрозы и риски, а также методики выявления дип-фейк-контента, сгенерированного при помощи искусственного интеллекта.
-
Применение генеративно-состязательных сетей (GAN) в обработке изображений
Авторы: Узких Г.Ю.
Описание: Генеративно-состязательные сети (GAN) стали важным инструментом в области обработки изображений, предлагая новые методы создания и улучшения визуальных данных. В данной статье исследуются принципы работы GAN, их преимущества и ограничения, а также различные применения, включая улучшение качества изображений, создание реалистичных изображений и стилевые трансферты. Особое внимание уделяется архитектурам GAN, таким как DCGAN и CycleGAN, и их роли в развитии глубокого обучения.
-
Thinking in Frequency: Face Forgery Detection by Mining Frequency-aware Clues
Авторы: Yuyang Qian, Guojun Yin, Lu Sheng, Zixuan Chen, Jing Shao
Описание: This work proposes a novel Frequency in Face Forgery Network (F3-Net), taking advantages of two different but complementary frequency-aware clues, and applies DCT as the applied frequency-domain transformation to introduce frequency into the face forgery detection.
-
Contextual Cross-Modal Attention for Audio-Visual Deepfake Detection and Localization
Авторы: Ajita Rattani
Описание: In the digital age, the emergence of deepfakes and synthetic media presents a significant threat to societal and political integrity. Deepfakes based on multi-modal manipulation, such as audio-visual, are more realistic and pose a greater threat. Current multi-modal deepfake detectors are often based on the attention-based fusion of heterogeneous data streams from multiple modalities. However, the heterogeneous nature of the data (such as audio and visual signals) creates a distributional modality gap and poses a significant challenge in effective fusion and hence multi-modal deepfake detection. In this paper, we propose a novel multi-modal attention framework based on recurrent neural networks (RNNs) that leverages contextual information for audio-visual deepfake detection. The proposed approach applies attention to multi-modal multi-sequence representations and learns the contributing features among them for deepfake detection and localization. Thorough experimental validations on audio-visual deepfake datasets, namely FakeAVCeleb, AV-Deepfake1M, TVIL, and LAV-DF datasets, demonstrate the efficacy of our approach. Cross-comparison with the published studies demonstrates superior performance of our approach with an improved accuracy and precision by 3.47% and 2.05% in deepfake detection and localization, respectively. Thus, obtaining state-of-the-art performance. To facilitate reproducibility, the code and the datasets information is available at https://github.com/vcbsl/audiovisual-deepfake/
-
Assessment framework for deepfake detection in real-world situations
Авторы: Yuhang Lu, Touradj Ebrahimi
Описание: Detecting digital face manipulation in images and video has attracted extensive attention due to the potential risk to public trust. To counteract the malicious usage of such techniques, deep learning-based deepfake detection methods have been employed and have exhibited remarkable performance. However, the performance of such detectors is often assessed on related benchmarks that hardly reflect real-world situations. For example, the impact of various image and video processing operations and typical workflow distortions on detection accuracy has not been systematically measured. In this paper, a more reliable assessment framework is proposed to evaluate the performance of learning-based deepfake detectors in more realistic settings. To the best of our acknowledgment, it is the first systematic assessment approach for deepfake detectors that not only reports the general performance under real-world conditions but also quantitatively measures their robustness toward different processing operations. To demonstrate the effectiveness and usage of the framework, extensive experiments and detailed analysis of four popular deepfake detection methods are further presented in this paper. In addition, a stochastic degradation-based data augmentation method driven by realistic processing operations is designed, which significantly improves the robustness of deepfake detectors.
-
Интеллектуальная система распознавания Deepfake
Авторы: Кравцова А.В., Культюгин В.В.
Описание: В статье описаны основные методы борьбы с Deepfake. Рассмотрены наиболее популярные модели свёрточных нейронный сетей (CNN), которые были обучены на множестве изображений: VGG-16/19, MobileNETv2.
-
A Comprehensive Review of DeepFake Detection Using Advanced Machine Learning and Fusion Methods
Авторы: Gupta G, Raja K, Gupta M, Jan T, Whiteside ST, Prasad M.
Описание: Recent advances in Generative Artificial Intelligence (AI) have increased the possibility of generating hyper-realistic DeepFake videos or images to cause serious harm to vulnerable children, individuals, and society at large with misinformation. To overcome this serious problem, many researchers have attempted to detect DeepFakes using advanced machine learning techniques and advanced fusion techniques. This paper presents a detailed review of past and present DeepFake detection methods with a particular focus on media-modality fusion and machine learning. This paper also provides detailed information on available benchmark datasets in DeepFake detection research. This review paper addressed the 67 primary papers that were published between 2015 and 2023 in DeepFake detection, including 55 research papers in image and video DeepFake detection methodologies and 15 research papers on identifying and verifying speaker authentication. This paper offers lucrative information on DeepFake detection research and offers a unique review analysis of advanced machine learning and modality fusion that sets it apart from other review papers. This paper further offers informed guidelines for future work in DeepFake detection utilizing advanced state-of-the-art machine learning and information fusion models that should support further advancement in DeepFake detection for a sustainable and safer digital future.
-
Анализ работы нейронных сетей для решения задач детекции и классификации
Авторы: В.В. Орлов
Описание: В статье рассмотрено применение методов выявления проблем при обучении и тестировании нейронных сетей для решения задач детекции и классификации с помощью визуального отображения карт признаков сверточных слоев.
-
Conspiracy thinking and social media use are associated with ability to detect deepfakes
Авторы: Ewout Nas, Roy de Kleijn
Описание: Deepfake videos are highly realistic manipulated videos that are often difficult to distinguish from authentic videos. The technology rapidly evolves, making deepfake videos increasingly realistic. Most research on deepfake videos is focused on the algorithmic detection of deepfakes. Less is known about the human recognition of deepfake videos. The aim of the current study was to investigate the predictors of human performance at recognizing deepfake videos. Our findings show that humans perform better at recognizing deepfake videos of familiar persons compared to deepfakes of unfamiliar persons. Next, our findings show a positive relationship between time spent on social media and deepfake detection performance, as well as conspiracy thinking and deepfake detection performance. No relationships were found between age and gender and deepfake detection performance.
-
Программа для определения подлинности или фальсификации мультимедийного контента, потенциально созданного на базе технологии deepfake
Авторы: Джуров А.А., Ревякина Е.А., Черкесова Л.В.
Описание: Свидетельство о государственной регистрации программы для ЭВМ. Программа предназначена для определения подлинности аудио- и видеоконтента Web-сайтов, социальных сетей и Telegram-каналов с целью защиты пользователей от дезинформации и необоснованных фальсификаций и манипуляций. Реализован алгоритм определения подлинности видеоконтента, включая выбор инструментов и методов проверки, алгоритмов работы искусственных нейронных сетей. На основании методов теории поддержки принятия решений делается вывод о том, является ли проверяемый мультимедийный контент реальной видеосъёмкой или был сгенерирован (сфальсифицирован) с помощью технологии DeepFake. Тип ЭВМ: IBM PC-совмест. ПК; ОС: Windows7 и выше.
-
Ethical Considerations in Deepfake AI
Материал посвящен изучению этических последствий использования технологии Deepfake в искусственном интеллекте с уделением особого внимания подотчетности, прозрачности и влиянию на общество.
-
Python и машинное обучение
Авторы: С. Рашка
Описание: Автор раскрывает методы и технологии, применяемые при решении самых разных задач. Это может быть распознавание лиц, объектов или работа с динамикой цен на товары за определённое время. Рашка показывает, как выстраивается весь процесс построения модели — от получения первичных данных до машинного обучения.
-
Хабр
Платформа для IT-специалистов, содержит статьи, новости, обзоры и обсуждения на темы программирования, разработки, науки и технологий.
-
Киберфорум
КиберФорум - форум программистов и системных администраторов.
-
StackOverflow
Сайт для программистов, где пользователи задают вопросы и получают ответы по различным языкам программирования, фреймворкам и технологиям.
-
Mendeley
Бесплатная программа для управления библиографической информацией, позволяющая хранить и просматривать исследовательские работы в формате PDF, а также имеющая подключение к международной социальной сети учёных.