Jul, 2023

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

PDF
TL;DR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。
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

  • 视频中的欺诈检测

    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。

    Dec, 2017

  • 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

  • 使用双模态卷积神经网络从语言和生理数据流中进行欺诈检测

    利用卷积神经网络对多模态欺骗检测进行研究，从数据中提取语言和生理特征以训练神经网络模型，提出了融合两种模态的卷积神经网络模型，与早期方法相比，我们的系统表现更优，初步证明在数据有限的情况下使用神经网络进行欺骗检测是可行的。

    Nov, 2023

  • 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

  • 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

  • 欺骗检测是否能更深入？欺骗推理的数据集、评估和基准

    为了解决数据匮乏的问题，本文提出一种新的数据收集方法，使用 GPT-4 模拟嫌疑人和警官之间的角色扮演，并将传统的欺骗检测任务扩展到欺骗推理，以提供更多的证据。这个数据集还可以评估当前大型语言模型的复杂推理能力，并作为进一步研究的推理基准。

    Feb, 2024

  • 面部篡改的深度检测

    本文提出了一种基于深度学习的人脸操作检测方法，包括特征提取和二进制分类两个阶段，并采用三元组损失函数来更好地区分真实面孔和伪造面孔，实验结果表明该方法的性能大多数情况下优于现有技术。

    Sep, 2020

  • 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