Périphériques technologiques
IA
Présentation de la détection Deepfake basée sur le Deep Learning
Présentation de la détection Deepfake basée sur le Deep Learning
Le Deep Learning (DL) est devenu l’un des domaines les plus influents de l’informatique, affectant directement la vie humaine et la société d’aujourd’hui. Comme toutes les autres innovations technologiques de l’histoire, l’apprentissage profond a été utilisé à des fins illégales. Les Deepfakes sont une telle application d'apprentissage profond. Des centaines d'études ont été menées au cours des dernières années pour inventer et optimiser diverses détections de Deepfake à l'aide de l'IA.
Pour faire face aux deepfakes, des méthodes de deep learning ainsi que des méthodes de machine learning (non-deep learning) ont été développées pour les détecter. Les modèles d’apprentissage profond doivent prendre en compte un grand nombre de paramètres, de sorte qu’une grande quantité de données est nécessaire pour entraîner de tels modèles. C'est exactement pourquoi les méthodes DL ont des performances plus élevées et des résultats précis par rapport aux méthodes non DL.
Qu'est-ce que la détection Deepfake
La plupart des générateurs de deepfake laisseront des traces pendant le processus de deepfake. Ces changements dans les vidéos deepfake peuvent être classés comme des incohérences spatiales : des incompatibilités qui se produisent dans des images individuelles de la vidéo et des incohérences temporelles : des caractéristiques incompatibles qui apparaissent dans la séquence d'images vidéo.
Les incohérences spatiales incluent les zones du visage incompatibles avec l'arrière-plan de l'image vidéo, les changements de résolution et les textures d'organes et de peau partiellement rendues (qui peuvent ne pas restituer correctement toutes les caractéristiques humaines du visage). Les générateurs de deepfake les plus courants sont incapables de restituer des fonctionnalités telles que les clignements et les dents. Et parfois, des bandes blanches sont utilisées pour remplacer les dents qui sont même visibles à l'œil nu sur la monture fixe (ci-dessous).
Les incohérences temporelles incluent des clignements des yeux anormaux, des postures de la tête, des mouvements du visage et des changements de luminosité dans les séquences d'images vidéo.
Ces traces dans l'espace et dans le temps laissées par le générateur de deepfake peuvent être identifiées par des détecteurs de deepfake fabriqués à partir de réseaux de neurones profonds (DNN). L’utilisation généralisée des réseaux contradictoires génératifs (GAN) familiers dans les générateurs de deepfake remet en question l’équilibre entre la détection et la génération de faux.
Détection Deepfake
Le détecteur Deepfake est un système de classification binaire qui détermine si le média numérique d'entrée est réel ou faux. La détection des deepfakes n'est pas effectuée par un seul module de type boîte noire, mais se compose de plusieurs autres modules et étapes qui fonctionnent ensemble pour fournir des résultats de détection. Les étapes courantes de la détection de Deepfake sont les suivantes [2].
- Deepfake entrée provenant des médias numériques.
- Le prétraitement comprend la détection et l'amélioration des visages.
- Extraction de fonctionnalités des images traitées.
- Classification/Détection.
- Authenticité des images de sortie.
Un détecteur de deepfake typique basé sur DL contient 3 composants principaux pour effectuer les tâches ci-dessus.
- Module de prétraitement.
- Module d'extraction de fonctionnalités.
- Module évaluateur (modèle de classificateur d'apprentissage profond).
Les principales étapes seront expliquées en détail ci-dessous : prétraitement des données, extraction des caractéristiques et processus de détection/classification.
Prétraitement des données
Après la phase de collecte des données, les données doivent être prétraitées avant les étapes de formation et de test pour la détection des deepfakes. Le prétraitement des données est effectué automatiquement à l'aide des bibliothèques disponibles telles que OpenCV python, MTCNN et YOLO etc.
L'augmentation des données joue également un rôle crucial dans l'amélioration des performances des détecteurs de deepfake. Des techniques d'augmentation telles que le redimensionnement (étirement), la cartographie de cisaillement, l'augmentation de la mise à l'échelle, la rotation, les changements de luminosité et le retournement horizontal/vertical peuvent être appliquées pour augmenter la généralisation de l'ensemble de données [3].
La première étape du prétraitement des données consiste à extraire des images individuelles du clip vidéo. Après avoir extrait les images, vous devez détecter les visages des images vidéo extraites. Étant donné que les régions du visage présentent souvent des anomalies, la sélection uniquement des régions du visage aide le modèle d'extraction de caractéristiques à se concentrer uniquement sur la région d'intérêt (ROI), économisant ainsi le coût de calcul pour la numérisation plein format. Une fois les régions du visage détectées, elles sont recadrées du reste de l’arrière-plan du cadre et suivent une série d’étapes pour les rendre disponibles pour la formation et les tests du modèle. Une autre raison de recadrer les régions du visage est de donner à toutes les images d'entrée dans le modèle la même taille.
Extraction de fonctionnalités
Les images prétraitées à l'étape précédente seront envoyées à l'extracteur de fonctionnalités. La plupart des extracteurs de fonctionnalités sont basés sur des réseaux de neurones convolutifs (CNN). Certaines études récentes ont démontré l'efficacité et l'amélioration de l'efficience de l'application de réseaux de capsules dans le processus d'extraction de caractéristiques, ce qui constitue une nouvelle tendance.
L'extracteur de fonctionnalités extrait les caractéristiques spatiales disponibles sur les images vidéo prétraitées. L'extraction de caractéristiques peut extraire des caractéristiques visuelles, des caractéristiques locales/des repères faciaux, tels que la position des yeux, du nez, de la bouche, la dynamique de la forme de la bouche, le clignement et d'autres caractéristiques biologiques. Les vecteurs de caractéristiques extraits sont ensuite envoyés au réseau de classificateurs pour produire des décisions.
Classification
Le modèle d'apprentissage profond utilisé pour la classification est souvent appelé l'épine dorsale du détecteur de deepfake. Comme son nom l'indique, le réseau de classification est responsable de la tâche la plus importante du pipeline de détection des deepfakes : à savoir, classifier et déterminer la probabilité que la vidéo d'entrée soit un deepfake. La plupart des classificateurs sont des classificateurs binaires, où la sortie des deepfakes est (0) et la sortie de la trame d'origine est (1).
Le classificateur est encore une fois une autre couche convolutive (CNN) ou une architecture d'apprentissage en profondeur similaire telle que LSTM ou ViT. Les capacités réelles d'un modèle de classification varient en fonction du DNN utilisé. Par exemple, les caractéristiques de clignotement extraites dans le module d'extraction de caractéristiques peuvent être utilisées par le module LSTM dans le module de classification pour déterminer l'incohérence temporelle du modèle de clignotement de la trame et déterminer si l'entrée est un Deepfake [3]. Dans la plupart des cas, la dernière couche d’un détecteur de deepfake est une couche entièrement connectée. Étant donné que les sorties des couches convolutives représentent des caractéristiques de haut niveau des données, ces sorties sont aplaties et concaténées en une seule couche de sortie pour produire la décision finale.
Résumé
Au cours des dernières années, des développements significatifs ont eu lieu tant dans la création que dans la détection des deepfakes. La recherche liée à la détection des deepfakes à l’aide de la technologie d’apprentissage profond a également fait de grands progrès en raison de l’exactitude des résultats par rapport aux méthodes d’apprentissage non approfondies. Les architectures de réseaux neuronaux profonds telles que les réseaux CNN, RNN, ViT et les capsules sont largement utilisées dans la mise en œuvre de détecteurs de deepfake. Un pipeline commun de détection des deepfakes comprend un module de prétraitement des données, un extracteur de fonctionnalités basé sur CNN et un module de classification.
De plus, la détection des deepfakes dépend fortement des traces laissées par le générateur de deepfake sur le deepfake. Étant donné que les générateurs de deepfakes actuels basés sur le GAN sont capables de synthétiser des deepfakes plus réalistes avec un minimum d'incohérences, de nouvelles méthodes doivent être développées pour optimiser la détection des deepfakes. Les méthodes de détection des deepfakes basées sur des techniques d'apprentissage d'ensemble profond peuvent être considérées comme des méthodes modernes et complètes pour lutter contre les deepfakes [4]. Néanmoins, il existe encore une lacune en matière de détecteurs de deepfake efficaces et efficients.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Cet article vous amènera à comprendre SHAP : explication du modèle pour l'apprentissage automatique
Jun 01, 2024 am 10:58 AM
Dans les domaines de l’apprentissage automatique et de la science des données, l’interprétabilité des modèles a toujours été au centre des préoccupations des chercheurs et des praticiens. Avec l'application généralisée de modèles complexes tels que l'apprentissage profond et les méthodes d'ensemble, la compréhension du processus décisionnel du modèle est devenue particulièrement importante. Explainable AI|XAI contribue à renforcer la confiance dans les modèles d'apprentissage automatique en augmentant la transparence du modèle. L'amélioration de la transparence des modèles peut être obtenue grâce à des méthodes telles que l'utilisation généralisée de plusieurs modèles complexes, ainsi que les processus décisionnels utilisés pour expliquer les modèles. Ces méthodes incluent l'analyse de l'importance des caractéristiques, l'estimation de l'intervalle de prédiction du modèle, les algorithmes d'interprétabilité locale, etc. L'analyse de l'importance des fonctionnalités peut expliquer le processus de prise de décision du modèle en évaluant le degré d'influence du modèle sur les fonctionnalités d'entrée. Estimation de l’intervalle de prédiction du modèle
Au-delà d'ORB-SLAM3 ! SL-SLAM : les scènes de faible luminosité, de gigue importante et de texture faible sont toutes gérées
May 30, 2024 am 09:35 AM
Écrit précédemment, nous discutons aujourd'hui de la manière dont la technologie d'apprentissage profond peut améliorer les performances du SLAM (localisation et cartographie simultanées) basé sur la vision dans des environnements complexes. En combinant des méthodes d'extraction de caractéristiques approfondies et de correspondance de profondeur, nous introduisons ici un système SLAM visuel hybride polyvalent conçu pour améliorer l'adaptation dans des scénarios difficiles tels que des conditions de faible luminosité, un éclairage dynamique, des zones faiblement texturées et une gigue importante. Notre système prend en charge plusieurs modes, notamment les configurations étendues monoculaire, stéréo, monoculaire-inertielle et stéréo-inertielle. En outre, il analyse également comment combiner le SLAM visuel avec des méthodes d’apprentissage profond pour inspirer d’autres recherches. Grâce à des expériences approfondies sur des ensembles de données publiques et des données auto-échantillonnées, nous démontrons la supériorité du SL-SLAM en termes de précision de positionnement et de robustesse du suivi.
L'évolution de l'intelligence artificielle dans l'exploration spatiale et l'ingénierie des établissements humains
Apr 29, 2024 pm 03:25 PM
Dans les années 1950, l’intelligence artificielle (IA) est née. C’est à ce moment-là que les chercheurs ont découvert que les machines pouvaient effectuer des tâches similaires à celles des humains, comme penser. Plus tard, dans les années 1960, le Département américain de la Défense a financé l’intelligence artificielle et créé des laboratoires pour poursuivre son développement. Les chercheurs trouvent des applications à l’intelligence artificielle dans de nombreux domaines, comme l’exploration spatiale et la survie dans des environnements extrêmes. L'exploration spatiale est l'étude de l'univers, qui couvre l'ensemble de l'univers au-delà de la terre. L’espace est classé comme environnement extrême car ses conditions sont différentes de celles de la Terre. Pour survivre dans l’espace, de nombreux facteurs doivent être pris en compte et des précautions doivent être prises. Les scientifiques et les chercheurs pensent qu'explorer l'espace et comprendre l'état actuel de tout peut aider à comprendre le fonctionnement de l'univers et à se préparer à d'éventuelles crises environnementales.
Identifier le surapprentissage et le sous-apprentissage grâce à des courbes d'apprentissage
Apr 29, 2024 pm 06:50 PM
Cet article présentera comment identifier efficacement le surajustement et le sous-apprentissage dans les modèles d'apprentissage automatique grâce à des courbes d'apprentissage. Sous-ajustement et surajustement 1. Surajustement Si un modèle est surentraîné sur les données de sorte qu'il en tire du bruit, alors on dit que le modèle est en surajustement. Un modèle surajusté apprend chaque exemple si parfaitement qu'il classera mal un exemple inédit/inédit. Pour un modèle surajusté, nous obtiendrons un score d'ensemble d'entraînement parfait/presque parfait et un score d'ensemble/test de validation épouvantable. Légèrement modifié : "Cause du surajustement : utilisez un modèle complexe pour résoudre un problème simple et extraire le bruit des données. Parce qu'un petit ensemble de données en tant qu'ensemble d'entraînement peut ne pas représenter la représentation correcte de toutes les données."
Implémentation d'algorithmes d'apprentissage automatique en C++ : défis et solutions courants
Jun 03, 2024 pm 01:25 PM
Les défis courants rencontrés par les algorithmes d'apprentissage automatique en C++ incluent la gestion de la mémoire, le multithread, l'optimisation des performances et la maintenabilité. Les solutions incluent l'utilisation de pointeurs intelligents, de bibliothèques de threads modernes, d'instructions SIMD et de bibliothèques tierces, ainsi que le respect des directives de style de codage et l'utilisation d'outils d'automatisation. Des cas pratiques montrent comment utiliser la bibliothèque Eigen pour implémenter des algorithmes de régression linéaire, gérer efficacement la mémoire et utiliser des opérations matricielles hautes performances.
IA explicable : Expliquer les modèles IA/ML complexes
Jun 03, 2024 pm 10:08 PM
Traducteur | Revu par Li Rui | Chonglou Les modèles d'intelligence artificielle (IA) et d'apprentissage automatique (ML) deviennent aujourd'hui de plus en plus complexes, et le résultat produit par ces modèles est une boîte noire – impossible à expliquer aux parties prenantes. L'IA explicable (XAI) vise à résoudre ce problème en permettant aux parties prenantes de comprendre comment fonctionnent ces modèles, en s'assurant qu'elles comprennent comment ces modèles prennent réellement des décisions et en garantissant la transparence des systèmes d'IA, la confiance et la responsabilité pour résoudre ce problème. Cet article explore diverses techniques d'intelligence artificielle explicable (XAI) pour illustrer leurs principes sous-jacents. Plusieurs raisons pour lesquelles l’IA explicable est cruciale Confiance et transparence : pour que les systèmes d’IA soient largement acceptés et fiables, les utilisateurs doivent comprendre comment les décisions sont prises
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
Flash Attention est-il stable ? Meta et Harvard ont constaté que les écarts de poids de leur modèle fluctuaient de plusieurs ordres de grandeur.
May 30, 2024 pm 01:24 PM
MetaFAIR s'est associé à Harvard pour fournir un nouveau cadre de recherche permettant d'optimiser le biais de données généré lors de l'apprentissage automatique à grande échelle. On sait que la formation de grands modèles de langage prend souvent des mois et utilise des centaines, voire des milliers de GPU. En prenant comme exemple le modèle LLaMA270B, sa formation nécessite un total de 1 720 320 heures GPU. La formation de grands modèles présente des défis systémiques uniques en raison de l’ampleur et de la complexité de ces charges de travail. Récemment, de nombreuses institutions ont signalé une instabilité dans le processus de formation lors de la formation des modèles d'IA générative SOTA. Elles apparaissent généralement sous la forme de pics de pertes. Par exemple, le modèle PaLM de Google a connu jusqu'à 20 pics de pertes au cours du processus de formation. Le biais numérique est à l'origine de cette imprécision de la formation,
