Jul, 2020

基于原始波形 CLDNN 的端到端欺诈检测

PDF
TL;DR本文介绍了一种基于原始波形的深度模型进行欺骗检测的方法，该模型同时作为特征提取器和分类器，消除了数据的任何预处理和后处理，通过使用卷积长短时神经网络（CLDNN），使得在 BTAS2016 数据集上系统性能从最佳 1.26％半总误差率（HTER）显著提高到现在的 0.82％HTER，并表现出在未知条件下也能很好地进行欺骗检测。
speaker verificationspoofed speechspoof-aware featuresraw waveformconvolutional long short term neural network
发现论文，激发创造
  • 基于 ConvNeXt 的音频防欺诈神经网络

    本文提出了一种基于 ConvNeXt 网络架构的轻量级端到端反欺骗模型，通过加入通道注意力块和使用 focal loss 函数，我们的模型可以专注于最具信息量的语音表示的子带和难以分类的样本，实验表明我们的系统在 ASVSpoof 2019 LA 评估数据集中可以实现 0.64％的等误差率和 0.0187 的 min-tDCF，超过了当前最先进系统。

    Sep, 2022

  • 自动说话人验证系统的反欺诈方法

    本研究旨在通过分析不同的声学特征空间和分类器，确定可靠和强大的对抗欺骗攻击的措施。实验结果表明，基于深度神经网络（DNN）的方法在欺骗检测任务中获得了相当低的等错误率 (EER)

    May, 2017

  • ASVspoof 2015 挑战中的 STC 防欺骗系统

    本文提出了基于不同声学特征空间的对抗攻击反欺诈技术，并比较了线性和非线性分类器的效果。实验表明，相位相关和小波基础特征对系统效率的提高有重要作用。

    Jul, 2015

  • 推动原始波形扬声器识别的极限

    本文提出了一种基于原始波形的演讲者识别模型，它结合了机器学习和说话人认证的最新进展，其中包括 Res2Net 骨干模块和多层特征聚合。该模型具有很高的性能表现，可以应用于半监督学习场景中，即在只有少量标记训练数据和大量未标记训练数据的情况下，可用于说话人识别。

    Mar, 2022

  • 复数值神经网络用于语音反欺骗

    本文介绍了一种新的方法，通过使用复数值神经网络处理输入音频的 CQT 频域表示，结合了幅度谱图和原始音频处理方法的优点，既保留了相位信息又可使用可解释人工智能方法，结果表明该方法在 “野外” 反欺诈数据集上优于先前的方法，并通过可解释人工智能解释结果，剔除研究证明该模型已学会使用相位信息来检测声音伪造。

    Aug, 2023

  • RawNet: 使用原始波形的高级端到端深度神经网络进行文本独立说话人验证

    本文提出了一种端到端的系统，该系统包含两个深度神经网络，其一个用于提取语音级别的说话者嵌入，另一个用于后端分类，通过具有预训练方案的模型架构调整可以提取说话者嵌入，并使用附加目标函数简化提取过程，此系统在 VoxCeleb1 数据集上实现了同等于具有数据增强的最先进的 x 向量系统的表现。

    Apr, 2019

  • 嵌入空间中语音验证泛化及欺骗感知

    通过在嵌入空间中利用有限的训练数据来增强简单的后端分类器，我们提出了通用的独立式自动说话人验证（G-SASV）系统，以对抗欺骗攻击，同时避免在测试（认证）阶段单独使用 CM 模块，在 ASVspoof 2019 逻辑访问数据集中，我们相对统计 ASV 后端在合并（真实和欺骗）和欺骗条件下的性能分别最大提高了 36.2％和 49.8％，以等错误率为指标。

    Jan, 2024

  • 基于频谱图特征和深度学习模型集成的深度伪造音频检测

    本文提出了基于深度学习的深伪音频检测系统，通过多种变换方法和不同的滤波器转换输入音频为频谱图，并评估了多种深度学习模型在分类任务上的性能，最终融合各种方法实现了在 ASVspoofing 2019 挑战中竞争力强的伪音频检测。

    Jul, 2024

  • 用 DNN 滤波器组倒谱系数进行欺骗检测

    本文提出一种新的基于深度神经网络滤波器组的倒谱特征来识别自然语音与攻击音频之间的差异，该特征在检测未知攻击时比现有基于线性频率倒谱系数分类器更加有效。

    Feb, 2017

  • 无监督域自适应的防欺骗说话人验证

    研究如何提高自动说话人验证系统的欺骗稳健性，主要从基于概率线性判别分析的后端分类器入手，并运用三种无监督领域适应技术来优化它。旨在提高系统在逻辑和物理接近情境下的表现，对于后者，尤其是在被重放音频攻击时，针对真实的和伪造的情况，相对改进率分别达到 36.1% 和 5.3% 接近最高点。除此之外，还进行了一些额外的研究，如攻击分析、数据构成和与高斯后端的分数级别的对策系统的集成分析。

    Mar, 2022