使用 RawNet2 进行端到端的防欺骗
本研究通过对后端神经网络与训练标准的比较,评估 ASVspoof 2019 逻辑访问任务的对策模型,发现随机初始种子会对模型性能造成显著影响,但平均池化和新的无超参数损失函数是比较优秀的技术。
Mar, 2021
ASVspoof 2019 是社区带领的挑战活动之一,主要关注自动说话人验证(ASV)系统面对欺骗的反制措施,其中考虑了逻辑和物理接入情况,三种欺骗攻击方式,使用神经声学和波形模型生成欺骗攻击,采用双重检测费用函数(t-DCF)对 ASV 系统可靠性进行评估,并囊括了对伪造音频侦测的关注。共有 63 个研究团队参与了此次活动,半数以上的团队报告的系统性能优于两个基线欺骗反制措施。 - 摘自 ASVspoof 2019 的数据库、协议和挑战结果。该工作展示了在反制欺骗和伪造音频方面的实际进展。
Apr, 2019
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
本文提出了一种使用 Res2Net 和 Conformer block 相结合的架构来改进声纹鉴定的欺骗对策,同时也提出了一种新的音频拼接检测问题的深度学习方法,该方法可以检测拼接边界而不是完整的拼接片段。
Oct, 2022
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。
Jul, 2020
ASVspoof 2021 提出了新的 deepfake 语音检测任务,介绍了三个任务、每个任务的新数据库、评估指标、四个基线模型、评估平台以及比赛结果,并展示了近年来该领域取得的显著进展,尽管物理访问任务的结果显示在现实、不断变化的物理空间中检测攻击的难度很大。
Sep, 2021
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
研究了自动说话人验证(ASV)任务中的欺骗攻击,并通过对不同 ASV 系统和欺骗攻击系统的分析,证明了 ASV 系统的进化本质上包含了对欺骗攻击的防御机制。然而,研究还强调了欺骗攻击的进步远远超过了 ASV 系统的进展,因此需要进一步研究针对欺骗攻击的 ASV 方法论。
Jun, 2024
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
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