基於深度學習辨識 Deepfake 影片
研究動機與問題
在人工智慧(AI)、機器學習和深度學習的最新技術進步的推動下，Deepfake的圖像偽造方法是通過用電腦生成的圖像或其他人的臉替換他/她的臉來改變照片中的人的身份，且近年來提供了自動化程序來創建人類觀察者越來越難以檢測到的虛假內容，Deepfake的存在削弱了人們對視頻證據的信任，並對其在法庭上的證明價值產生了不利影響。也因為該技術變得越來越普遍且更容易操作，許多有心人士利用其對我們的社會產生不利的影響，從而導致安全和隱私問題，並對社交媒體構成了重大的威脅。
根據Deeptrace這間公司的報告顯示，2019年初網路上共有7964個Deepfake視頻，僅在九個月後，該數字即躍升至14678，其中有96%皆涉及情色，其內容大多是非自願的(即未經當事人同意而被使用)。毫無疑問，這個數字仍在持續攀升中。此外，Deeptrace於2020年10月發布的第二份報告顯示，在Telegram上存在一個Deepfake機器人，該機器人已被用於剝奪約700,000名女性的權益，且超過10萬人在社群媒體上公開呼籲與警告不要被此類機器人「以武器化方式進行公開羞辱或基於勒索的攻擊」受危害。如果能向人們證明他們認為真實的影片其實是捏造的，則不需要花費太多力氣即可掌握其可能造成的危害。
核心技術
-
多任務級聯卷積網路 (MTCNN)
由於各種姿勢、照明和遮擋，在不受約束的環境中進行人臉檢測和對準具有挑戰性。有研究表明，深度學習方法可以在這兩個任務上取得令人印象深刻的表現。因此有了深度級聯多任務框架(即MTCNN)。該框架利用檢測和對齊之間的固有相關性來提高其性能。MTCNN在人臉檢測和對齊（JDA）方面表現出色，該級聯卷積網路是通過多任務學習來整合這兩個任務，其網路結構由P-Net、R-Net、O-Net等三階段組成，每一階段皆採用多任務學習分別進行訓練。
-
Xception
-
機器學習演算法
研究架構示意圖
研究結果
比較以下6種機器學習演算法，可以看出ExtraTrees及KNN的準確度是比較高的，而兩者相比之下，由於ExtraTrees的F1-score是比較高的，因此該分類模型是相對較穩健的。
