지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김우주
- 발행연도
- 2022
- 저작권
- 연세대학교 논문은 저작권에 의해 보호받습니다.
이용수98
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
전 세계적으로 딥러닝에 관한 관심이 증가함에 따라, 기술의 발전 및 응용 또한 꾸준히 증가하고 있다. 이에 따라 이를 악용한 사례 또한 증가하고 있다. 딥러닝(Deep learning)과 가짜(Fake)의 합성어인 딥페이크(Deepfake)는 인공지능 기술을 이용하여 만든 가짜 이미지 혹은 그 기술을 뜻한다. 해당 기술을 활용한 콘텐츠가 다양한 산업 분야에서 주목받는 동시에, 이를 활용한 범죄 역시 등장하고 있다. 따라서 이에 대한, 탐지 및 분류의 필요성이 대두되고 있다.
본 논문에서는 합성곱 신경망(Convolutional neural network)과 비전 트랜스포머 모델(Vision Transformer)을 사용하여 동영상의 딥페이크 여부를 탐지하고자 한다. 기존 연구의 경우, 딥페이크 생성방식에 대해 탐지성능의 편차가 발생하는 한계가 있다. 딥페이크 생성방식에는 크게 타겟과 소스를 통해 새로운 신원(Identity)을 생성하는 신원 조작(Identity Swap)과 타겟이 소스를 모방하게 하는 표정 조작(Facial Reenactment)이 있다. 따라서 이러한 생성방식에 따른 검출 결과의 편차를 줄여 기존 연구의 한계를 보완할 수 있는 연구를 제안하고자 한다.
본 연구에서는 딥페이크 생성방식에 따라 신원 조작(Identity Swap) 방식에 효율적으로 검출할 수 있는 얼굴 부분과 표정 조작(Facial Reenactment) 방식에 효율적인 입술 부분을 각각 검출 및 추출하여 이를 활용한 탐지를 진행한다. 결과적으로, 두 가지 정보를 융합하여 전체적인 딥페이크 생성방식에 대해 대응할 수 있다. 본 논문은 FaceForensics++ 데이터셋과 Celeb-DF 데이터셋을 사용하고, 평가하여 더욱 우수한 성능을 제공한다.
본 논문에서는 합성곱 신경망(Convolutional neural network)과 비전 트랜스포머 모델(Vision Transformer)을 사용하여 동영상의 딥페이크 여부를 탐지하고자 한다. 기존 연구의 경우, 딥페이크 생성방식에 대해 탐지성능의 편차가 발생하는 한계가 있다. 딥페이크 생성방식에는 크게 타겟과 소스를 통해 새로운 신원(Identity)을 생성하는 신원 조작(Identity Swap)과 타겟이 소스를 모방하게 하는 표정 조작(Facial Reenactment)이 있다. 따라서 이러한 생성방식에 따른 검출 결과의 편차를 줄여 기존 연구의 한계를 보완할 수 있는 연구를 제안하고자 한다.
본 연구에서는 딥페이크 생성방식에 따라 신원 조작(Identity Swap) 방식에 효율적으로 검출할 수 있는 얼굴 부분과 표정 조작(Facial Reenactment) 방식에 효율적인 입술 부분을 각각 검출 및 추출하여 이를 활용한 탐지를 진행한다. 결과적으로, 두 가지 정보를 융합하여 전체적인 딥페이크 생성방식에 대해 대응할 수 있다. 본 논문은 FaceForensics++ 데이터셋과 Celeb-DF 데이터셋을 사용하고, 평가하여 더욱 우수한 성능을 제공한다.
목차
등록된 정보가 없습니다.
최근 본 자료
댓글(0)
0