AAAIDec, 2017

视频中的欺诈检测

PDF
TL;DR提出一种针对真实法庭审判视频中隐蔽自动欺诈检测的系统，该系统利用从图像、声音和文本三个层面得到的低级和高级特征预测人类微表情，其中，IDT 特征 和 MFCC 特征也对系统性能提供了重要帮助，系统在经过交叉验证的数据集上的 AUC 为 0.877，优于现有接近最优的方法，同时也提供了一个用户研究，分析一般人在这个任务上的表现。
covert automated deception detectionreal-life courtroom trial videosmicro-expressionsidt featuresmfcc features
发现论文，激发创造
  • 多模态欺骗检测的深度学习方法

    本文提出了一种简单却难以超越的多模态神经模型，通过结合来自不同模态的特征，例如视频、音频、文本和微表情，我们证明了在现实生活视频中检测欺骗可以更加准确。在真实生活欺骗视频数据集上的实验结果表明，我们的模型在欺骗检测方面的准确率达到了 96.14％，ROC-AUC 为 0.9799。

    Mar, 2018

  • 视频自动欺诈检测：基于端到端学习的高级特征和分类方法

    本文通过结合深度学习和判别模型提出了一种多模态方法用于自动检测欺诈，并且在五个数据集上进行了评估，结果表明基于面部表情的方法优于基于凝视和头部位置的方法，并且多模态方法与特征选择的结合可以提高检测性能。

    Jul, 2023

  • 基于投票的多模态自动欺诈检测

    采用多模态投票型方法，利用图像、声音和语言特征进行自动欺骗检测，实验结果表明该方法优于现有技术。

    Jun, 2023

  • 基于情感状态构建鲁棒性特征的多模式视频欺诈检测新型投票方案

    本文介绍了一种基于多模态特征和情感状态的新的欺诈检测方法，该方法通过数据预处理、音频模式特征提取和投票方案等步骤，显著提高了多模态欺诈检测准确性，并实现了情感状态转换的新功能。

    Apr, 2021

  • 真相与仅有的真相：用于欺骗检测的多模式分析

    本文提出一种基于数据驱动的自动欺骗检测方法，利用面部特征的移动，声音模式和口头分析来判断证人是否说谎，建立了支持向量机模型，并采用基于词汇分析的视觉和词汇分析相结合的方法

    Mar, 2019

  • 情感不欺人：利用情感线索的音视频 Deepfake 检测方法

    本文提出了一种基于学习的方法来检测真实和虚假的 deepfake 多媒体内容，通过提取和分析同一视频中两种音频和视觉模态之间的相似性，以及提取和比较情感线索来推断输入视频是 “真实” 还是 “虚假”，并提出了一种深度学习网络，同时利用音频和视频模态以及两种模态的感知情绪进行 deepfake 检测，实验结果表明，本文方法在 DeepFake-TIMIT 数据集和 DFDC 数据集上分别达到了 84.4％和 96.6％的 AUC，是首个同时利用音频和视觉模态以及两种模态的感知情绪进行 deepfake 检测的方法。

    Mar, 2020

  • 利用 ATSFace 数据进行多模态欺骗检测的 LoRA 样式校准

    通过注意力感知神经网络和多模态融合策略，我们提出的方法在视频数据中准确地检测和阐明欺骗行为， 进一步使用低秩适应方法进行个体欺骗检测准确率的提高。

    Sep, 2023

  • 跨领域音视频欺诈检测的基准测试

    通过使用跨领域基准测试，提出了一种多模态特征的注意力混合方法，用于改进自动欺骗检测的性能。

    May, 2024

  • 使用声学和文本特征检测政治辩论中的欺骗行为

    本研究利用真实的政治辩论语音数据集，采用多模态深度学习架构进行欺诈检测以提升检测准确度。实验结果表明，使用语音特征可以有效提高欺诈检测的表现，并将数据集公开以期推进多模态欺诈检测的研究。

    Oct, 2019

  • ID-Reveal: 具备身份感知的 DeepFake 视频检测

    ID-Reveal 通过度量学习和对抗性训练策略学习了特定于人物说话时的时间面部特征，从而在没有任何伪造训练数据的情况下，实现面部伪造检测。与现有技术相比，ID-Reveal 在面部信息伪造检测上表现出更好的泛化性和鲁棒性。

    Dec, 2020