PHÁT HIỆN DEEPFAKE DỰA TRÊN HỌC SÂU

Tóm tắt

Việc các hình ảnh, video deepfake tràn lan trên không gian mạng đang trở thành nguy cơ đe dọa an toàn, an ninh thông tin trong kỷ nguyên số. Bên cạnh đó, trong những năm gần đây học sâu ngày càng phát triển và ứng dụng rộng rãi, các thuật toán ngày càng được cải thiện hiệu suất và độ chính xác đáng kể. Do đó, việc áp dụng bài toán học sâu vào việc phát hiện deepfake là một hướng nghiên cứu thiết thực. Tuy nhiên, khi áp dụng các mô hình học sâu đòi hỏi rất nhiều dữ liệu để giải quyết bài toán hiệu quả cũng như cần nhiều thời gian để thực hiện việc huấn luyện. Một phương pháp được áp dụng phổ biến giúp cải thiện độ chính xác cũng như tận dụng được các pre-trained model có chất lượng tốt và độ chính xác cao được gọi là học chuyển giao. Nghiên cứu này giới thiệu một cách tiếp cận để phát hiện deepfake thông qua việc sử dụng phương pháp học chuyển giao, bao gồm XceptionNet, RestNet101, InceptionResV2, MobileNetv2, VGG19 và DenseNet121 và so sánh với mô hình CNN truyền thống. Thông qua các thử nghiệm trên tập dữ liệu Celeb-DF, chúng tôi chứng minh rằng việc sử dụng học chuyển giao đem lại hiệu suất tốt hơn so với mô hình CNN truyền thống và DenseNet121 cùng trình phân loại softmax hoạt động hiệu quả hơn so với các phương pháp khác.