[논문]Gray 채널 분석을 사용한 딥페이크 탐지 성능 비교 연구

손석빈; 조희현; 강희윤; 이병걸; 이윤규

doi:10.9717/kmms.2021.24.9.1224

Gray 채널 분석을 사용한 딥페이크 탐지 성능 비교 연구
A Comparative Study on Deepfake Detection using Gray Channel Analysis 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.24 no.9, 2021년, pp.1224 - 1241

손석빈 (Dept. of Information Security, College of Interdisciplinary Studies for Emerging Industries, Seoul Women's University) , 조희현 (Dept. of Information Security, College of Interdisciplinary Studies for Emerging Industries, Seoul Women's University) , 강희윤 (Dept. of Information Security, College of Interdisciplinary Studies for Emerging Industries, Seoul Women's University) , 이병걸 (Dept. of Data Science, College of Interdisciplinary Studies for Emerging Industries, Seoul Women's University) , 이윤규 (Dept. of Computer Engineering, College of Engineering, Hongik University)

Abstract ▼ AI-Helper

Recent development of deep learning techniques for image generation has led to straightforward generation of sophisticated deepfakes. However, as a result, privacy violations through deepfakes has also became increased. To solve this issue, a number of techniques for deepfake detection have been proposed, which are mainly focused on RGB channel-based analysis. Although existing studies have suggested the effectiveness of other color model-based analysis (i.e., Grayscale), their effectiveness has not been quantitatively validated yet. Thus, in this paper, we compare the effectiveness of Grayscale channel-based analysis with RGB channel-based analysis in deepfake detection. Based on the selected CNN-based models and deepfake datasets, we measured the performance of each color model-based analysis in terms of accuracy and time. The evaluation results confirmed that Grayscale channel-based analysis performs better than RGB-channel analysis in several cases.

주제어

표/그림 (16)

그림 Fig. 1. An Overall Process of Our Study.
표 Table 1. Architectural Information of Selected Deep-learning Networks.
표 Table 2. Preprocessed Image Dataset.
표 Table 3. The Characteristics of Confusion Matrix.
그림 Fig. 2. The Results of AUROC Analysis. (a) Average Table of AUROC, (b) Celeb-DF, (c) FF++, and (d) DFDC.
표 Table 4. The Results of AUROC Analysis.
그림 Fig. 3. The Results of Accuracy Analysis. (a) Average Table of Accuracy, (b) Celeb-DF, (c) FF++, and (d) DFDC.
표 Table 5. The Results of Accuracy Analysis.
표 Table 6. The Results of Precision Analysis.
그림 Fig. 4. The Results of Precision Analysis. (a) Average Table of Precision, (b) Celeb-DF, (c) FF++, and (d) DFDC.
그림 Fig. 5. The Results of Recall Analysis. (a) Average Table of Recall, (b) Celeb-DF, (c) FF++, and (d) DFDC.
표 Table 7. The Results of Recall Analysis.
그림 Fig. 6. The Results of F1-score Analysis. (a) Average Table of F1-score, (b) Celeb-DF, (c) FF++, and (d) DFDC.
표 Table 8. The Results of F1-score Analysis.
표 Table 9. The Results of Elapsed Time Analysis.
그림 Fig. 7. The Results of Elapsed Time Analysis. (a) Average Table of Elapsed Time and (b) Total Average of Elapsed Time.

AI 본문요약
AI-Helper

제안 방법

본 연구의 진행 프로세스는 다음과 같다(Fig. 1): (Step 1) 객관적인 평가 지표를 구성하기 위해, 먼저 최근 딥페이크 탐지 연구에서 주로 사용되는 딥페이크 비디오 데이터 세트(Celeb-DF, FF++, DFDC)를선별하였다; (Step 2) 딥페이크 탐지에 주로 사용되는 딥러닝 네트워크 구조 6개를 선별하였다; (Step 3) 딥페이크 비디오 데이터 세트에서 얼굴을 추출하고, RGB 채널에서 Gray 채널로 이미지를 변환하는 등의 전처리 작업을 수행하였다; (Step 4) 정량적인 평가 지표를 사용하여 RGB 채널과 Gray 채널의 딥페이크 탐지 성능을 측정하고, 비교 및 분석을 수행하였다. 각 단계에 대한 자세한 설명은 다음과 같다.
본 연구에서의 공헌점은 다음과 같다. 기존 딥페이크 탐지 연구에서 주로 사용되었던 RGB 채널 기반이 아닌, Gray 채널 기반의 딥페이크 탐지 성능을 다양한 평가 지표를 사용하여 정량적으로 평가함으로써, 딥페이크 탐지 연구의 새로운 가능성과 확장성을 제시한다.
또한, 한정적인 타입의 네트워크 구조 형태, 데이터 세트, 혹은 평가 지표를 기반으로 가능성을 제시하였기 때문에, 실제로 다양한 상황에서 Gray 채널이 딥페이크 탐지에 효과적인지에 대한 검증이 이루어지지 않았다. 따라서 본 논문에서는 다양한 6가지 네트워크 구조, 3가지 데이터 세트, 평가지표(AUROC, Confusion Matrix(Accuracy, Preci- sion, Recall, F1-score), Elapsed Time)를 사용하여, RGB 채널과 Gray 채널 간의 딥페이크 탐지 성능에 대해 객관적으로 비교 및 분석을 수행하였다. 이는 다양한 변수를 고려하여 Gray 채널 기반 분석의 효용성을 정량적으로 평가했다는 점에서 연구적 의의가 있다.
이를 위해, 기존 연구에 주로 사용되는 딥페이크 데이터 세트 3종을 선별하여, 각 색상 모델별 전처리를 수행하였다. 또한, 이미지분류 및 분석 연구에 주로 사용되는 CNN 네트워크 구조 6종을 선별하여, 전처리된 데이터에 대해 학습을 하고, 다양한 평가지표를 사용하여 각 색상 모델별 딥페이크 탐지 정확도와 딥페이크 탐지 평가 시간을 분석하였다. 결과에 따르면, 딥페이크 탐지 정확도에서는 Gray 채널 기반의 분석과 RGB 채널 기반의 분석은 유사한 성능을 보인 반면, 딥페이크 탐지평가 시간에서는 Gray 채널 기반의 분석이 RGB 채널 기반의 분석보다 우위 성능을 보여주었다.
본 단계에서는 AUROC, Confusion Matrix(Acc- uracy, Precision, Recall, F1-score), Elapsed Time 을 평가 지표로 선별하고, 해당 지표에 따라 딥페이크 탐지 성능을 비교 및 분석하였다.
본 단계에서는 선별한 데이터 세트와 네트워크 구조를 사용하여, 데이터 전처리 및 성능 평가 실험을 수행하였다. 모든 실험은 4개의 RTXTI2080 GPU 환경에서 진행하였으며, Python 3.
본 섹션에서는 앞서 설명한 프로세스를 기반으로 수행한 실험 결과를 기술하고, 이를 바탕으로 색상 모델 간의 딥페이크 탐지 성능을 비교 및 분석하였다. 실험 결과는 선별된 평가 지표(AUROC, Confusion Matrix, Elapsed Time)별로 나누어 기술하였다.
이러한 문제를 해결하기 위해 딥러닝 기반의 딥페이크 탐지 기술이 다수 제안되었지만, Gray 채널 기반의 분석보다는 RGB 채널 기반의 분석이 주류를 이루었으며, 아직까지 제한적인 탐지 성능을 제공하고 있다. 본 연구에서는 아직까지 정량적으로 검증된 적이 없었던 Gray 채널 기반 딥페이크 탐지의 효율성에 주목하여, RGB 채널 기반 분석과 Gray 채널 기반 분석의 딥페이크 탐지 성능을 비교 및 분석하였다. 이를 위해, 기존 연구에 주로 사용되는 딥페이크 데이터 세트 3종을 선별하여, 각 색상 모델별 전처리를 수행하였다.
이때, 분할된 이미지는 Table 2와 같이 구성된다; (Step 3-C): 네트워크 구조 사용의 편의성을 위해, 모든 이미지의 크기를 128×128로 조정하였다; (Step 3-D): Python OpenCV 패키지를 사용하여, 각각의 이미지를 RGB 채널에서 Gray 채널의 이미지로 변환하였다; (Step 3-E, 3-F) 전처리가 완료된 이미지 데이터 세트를 바탕으로, 선별된 네트워크 구조의 학습 및 평가를 수행하였다
본 연구에서는 아직까지 정량적으로 검증된 적이 없었던 Gray 채널 기반 딥페이크 탐지의 효율성에 주목하여, RGB 채널 기반 분석과 Gray 채널 기반 분석의 딥페이크 탐지 성능을 비교 및 분석하였다. 이를 위해, 기존 연구에 주로 사용되는 딥페이크 데이터 세트 3종을 선별하여, 각 색상 모델별 전처리를 수행하였다. 또한, 이미지분류 및 분석 연구에 주로 사용되는 CNN 네트워크 구조 6종을 선별하여, 전처리된 데이터에 대해 학습을 하고, 다양한 평가지표를 사용하여 각 색상 모델별 딥페이크 탐지 정확도와 딥페이크 탐지 평가 시간을 분석하였다.

데이터처리

이때, 최적화 함수는 Adam을 사용하고, 학습률은 1e-55로, Batch size는 128로, 최대 Epoch은 20으로 설정하였다. 또한, 정확한 성능 측정 및 평가를 위해, 각 네트워크 구조별로 총 3번씩 측정하고 평균을 산출하였다.
본 단계에서는 선별한 데이터 세트와 네트워크 구조를 사용하여, 데이터 전처리 및 성능 평가 실험을 수행하였다. 모든 실험은 4개의 RTXTI2080 GPU 환경에서 진행하였으며, Python 3.8.3 버전, Tensor flow 2.3.1 버전의 Keras, Pandas, Numpy, Matplot- lib을 사용하였다.
본 섹션에서는 앞서 설명한 프로세스를 기반으로 수행한 실험 결과를 기술하고, 이를 바탕으로 색상 모델 간의 딥페이크 탐지 성능을 비교 및 분석하였다. 실험 결과는 선별된 평가 지표(AUROC, Confusion Matrix, Elapsed Time)별로 나누어 기술하였다.

성능/효과

결과를 종합해보면, AUROC 지표에서는 RGB 채널과 Gray 채널의 딥페이크 탐지 평균 성능의 비율이 75.5 : 73.5로, RGB 채널이 Gray 채널보다 딥페이크 탐지 성능이 조금 더 높은 것으로 관찰되었다.
결과를 종합해보면, Accuracy 지표에서는 RGB 채널과 Gray 채널의 딥페이크 탐지 평균 성능의 비율이 81.5 : 82.3으로, RGB 채널과 Gray 채널의 딥페이크 탐지 성능이 유사한 것으로 관찰되었다.
결과를 종합해보면, Elapsed Time 지표에서는 RGB 채널과 Gray 채널의 딥페이크 탐지 평균 평가 시간의 비율이 56, 682.7 : 43, 154.4로, Gray 채널이 RGB 채널보다 딥페이크 탐지 평가 시간이 더 적게 소요되는 것으로 관찰되었다.
결과를 종합해보면, F1-score 지표에서는 RGB 채널과 Gray 채널의 딥페이크 탐지 평균 성능의 비율이 88.8 : 89.2로, RGB 채널과 Gray 채널의 딥페이크 탐지 성능이 유사한 것으로 관찰되었다.
결과를 종합해보면, Gray 채널 기반의 분석이 RGB 채널 기반의 분석과 유사 혹은 일부 우위에 있는 딥페이크 탐지 정확도를 제공하면서도, 훨씬 더 적은 시간으로 딥페이크를 탐지하였다. 따라서 Gray 채널 기반의 분석이 딥페이크 탐지에 효과적인 접근 방법임을 확인할 수 있다.
결과를 종합해보면, Precision 지표에서는 RGB 채널과 Gray 채널의 딥페이크 탐지 평균 성능의 비율이 87.0 : 87.0으로, RGB 채널과 Gray 채널의 딥페이크 탐지 성능이 유사한 것으로 관찰되었다.
결과를 종합해보면, Recall 지표에서는 RGB 채널과 Gray 채널의 딥페이크 탐지 평균 성능의 비율이 90.8 : 91.5로, RGB 채널과 Gray 채널의 딥페이크 탐지 성능이 유사한 것으로 관찰되었다.
또한, 이미지분류 및 분석 연구에 주로 사용되는 CNN 네트워크 구조 6종을 선별하여, 전처리된 데이터에 대해 학습을 하고, 다양한 평가지표를 사용하여 각 색상 모델별 딥페이크 탐지 정확도와 딥페이크 탐지 평가 시간을 분석하였다. 결과에 따르면, 딥페이크 탐지 정확도에서는 Gray 채널 기반의 분석과 RGB 채널 기반의 분석은 유사한 성능을 보인 반면, 딥페이크 탐지평가 시간에서는 Gray 채널 기반의 분석이 RGB 채널 기반의 분석보다 우위 성능을 보여주었다. 따라서 Gray 채널 기반의 분석은 RGB 채널 기반의 분석에 비해 딥페이크 탐지에 더욱 효과적인 방법이라고 결론 내릴 수 있으며, 이는 향후 딥페이크 탐지 기술의 개선에 중요한 기반이 될 것으로 사료된다.
이렇게 딥페이크 탐지 정확도에서는 Gray 채널 기반의 분석이 RGB 채널 기반의 분석과 유사 혹은 일부 우위 성능을 보인 반면, 딥페이크 탐지 평가 시간에서는 Gray 채널 기반의 분석이 RGB 채널 기반의 분석보다 훨씬 앞선 성능을 보였다. 네트워크 구조별 딥페이크 탐지 평가 시간을 평균으로 환산하였을 때, Gray 채널 기반의 분석이 RGB 채널 기반의 분석보다 31~33% 정도 더 적은 평가 시간이 소요되는 것으로 관찰되었다. RGB 채널에서 Gray 채널로의 평균 변환 소요 시간을 포함한 경우에도, Gray 채널 기반의 분석이 RGB 채널 기반의 분석보다 11~28% 정도 더 적은 시간이 소요되는 것으로 관찰되었다.
결과를 종합해보면, Gray 채널 기반의 분석이 RGB 채널 기반의 분석과 유사 혹은 일부 우위에 있는 딥페이크 탐지 정확도를 제공하면서도, 훨씬 더 적은 시간으로 딥페이크를 탐지하였다. 따라서 Gray 채널 기반의 분석이 딥페이크 탐지에 효과적인 접근 방법임을 확인할 수 있다.
또한, AUROC, Confusion Matrix 평가 지표로 네트워크 구조별 딥페이크 탐지 성능을 누적하여 평균을 산출하였을 때, 6가지 네트워크 구조 중 VGG 16이 가장 높은 딥페이크 탐지 성능을 보였다. 네트워크 구조의 딥페이크 탐지 누적 평균 성능 순위는 VGG16 > AlexNet > XcepV1 > InResV2 > Den121 > Res152 순이다.
4% 정도로 RGB 채널과 Gray 채널이 유사한 탐지 성능을 보임을 확인할 수 있다. 본 실험에서 사용한 모든 데이터 세트의 특성을 고려했을 때, 저해상도 비디오에서는 Gray 채널이 2% 내외의 성능 차이로 다소 강점을 보이며, 고해상도 비디오에서는 1% 내외의 성능 차이로 두 채널이 유사 성능을 보인다고 판단할 수 있다.
본 연구의 실험 결과, 주로 저해상도(480p) 비디오로 구성된 FF++ 데이터 세트에서는, Gray 기반 분석이 성능 우위를 보였다. Recall 지표에서 Gray 채널이 평균 4.
실험에 사용한 데이터 세트 중 가장 최신의 데이터 세트로서, 기존의 데이터 세트보다 개선된 해상도의 비디오로 구성된 Celeb-DF 데이터 세트에서는, RGB 채널과 Gray 채널의 딥페이크 탐지 성능이 유사하게 측정되었다. Recall 지표에서 Gray 채널이 평균 0.
최근 딥러닝 기술의 발전으로 정교한 딥페이크 생성이 가능해지면서, 이로 인한 피해 사례가 증가하였다. 이러한 문제를 해결하기 위해 딥러닝 기반의 딥페이크 탐지 기술이 다수 제안되었지만, Gray 채널 기반의 분석보다는 RGB 채널 기반의 분석이 주류를 이루었으며, 아직까지 제한적인 탐지 성능을 제공하고 있다. 본 연구에서는 아직까지 정량적으로 검증된 적이 없었던 Gray 채널 기반 딥페이크 탐지의 효율성에 주목하여, RGB 채널 기반 분석과 Gray 채널 기반 분석의 딥페이크 탐지 성능을 비교 및 분석하였다.
2% 정도의 최저 성능 차이가 측정되었다. 종합적으로 모든 평가 지표에서의 성능 차이를 평균으로 산출하면, 평균 0.4% 정도로 RGB 채널과 Gray 채널이 유사한 탐지 성능을 보임을 확인할 수 있다. 본 실험에서 사용한 모든 데이터 세트의 특성을 고려했을 때, 저해상도 비디오에서는 Gray 채널이 2% 내외의 성능 차이로 다소 강점을 보이며, 고해상도 비디오에서는 1% 내외의 성능 차이로 두 채널이 유사 성능을 보인다고 판단할 수 있다.
2% 정도의 최대 성능 차이가 측정되었으며, F1-score 지표에서 평균 1% 정도의 최저 성능 차이가 측정되었다. 종합적으로 모든 평가 지표에서의 성능 차이를 평균으로 산출하면, 평균 1.4% 정도로 RGB 채널이 Gray 채널보다 다소 탐지 성능에 있어서 우위에 있음을 확인 할 수 있다.
7% 정도의 최저 성능 차이가 측정되었다. 종합적으로 모든 평가 지표에서의 성능 차이를 평균으로 산출하면, 평균 2.4% 정도로 Gray 채널이 RGB 채널보다 딥페이크 탐지 성능에 있어서 우위에 있음을 확인할 수 있다.

후속연구

결과에 따르면, 딥페이크 탐지 정확도에서는 Gray 채널 기반의 분석과 RGB 채널 기반의 분석은 유사한 성능을 보인 반면, 딥페이크 탐지평가 시간에서는 Gray 채널 기반의 분석이 RGB 채널 기반의 분석보다 우위 성능을 보여주었다. 따라서 Gray 채널 기반의 분석은 RGB 채널 기반의 분석에 비해 딥페이크 탐지에 더욱 효과적인 방법이라고 결론 내릴 수 있으며, 이는 향후 딥페이크 탐지 기술의 개선에 중요한 기반이 될 것으로 사료된다. 향후 연구로는 Gray 채널 기반의 딥페이크 탐지에 최적화된 딥러닝 네트워크 구조 연구 및 Gray 채널의 명도 변화에 따른 딥페이크 탐지 성능 분석 연구, Gray 채널의 해상도 변화에 따른 딥페이크 탐지 성능 분석 연구 등을 진행할 계획이다.
따라서 Gray 채널 기반의 분석은 RGB 채널 기반의 분석에 비해 딥페이크 탐지에 더욱 효과적인 방법이라고 결론 내릴 수 있으며, 이는 향후 딥페이크 탐지 기술의 개선에 중요한 기반이 될 것으로 사료된다. 향후 연구로는 Gray 채널 기반의 딥페이크 탐지에 최적화된 딥러닝 네트워크 구조 연구 및 Gray 채널의 명도 변화에 따른 딥페이크 탐지 성능 분석 연구, Gray 채널의 해상도 변화에 따른 딥페이크 탐지 성능 분석 연구 등을 진행할 계획이다.

참고문헌 (40)

Law Commission, Abusive and Offensive Online Communications: A Scoping Report, The Law Commission, London, 2018.
I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, et al., "Generative Adversarial Nets," arXiv preprint, arXiv:1406.2661, 2014.
M. Westerlund, "The Emergence of Deepfake Technology: A Review," Technology Innovation Management Review, Vol. 9, No. 11, pp. 39-52, 2019.

상세보기
Y. Li, X. Yang, P. Sun, H. Qi, and S. Lyu, "Celeb-DF: A Large-Scale Challenging Dataset for DeepFake Forensics," Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 3207- 3216, 2020.
A. Rossler, D. Cozzolino, L. Verdoliva, C. Riess, J. Thies, and M. Niessner, "FaceForensics++: Learning to Detect Manipulated Facial Images," Proceedings of the IEEE/CVF International Conference on Computer Vision, pp. 1-11, 2019.
B. Dolhansky, J. Bitton, B. Pflaum, J. Lu, R. Howes, M. Wang, et al., "The DeepFake Detection Challenge (DFDC) Dataset," arXiv preprint, arXiv:1910.08854, 2019.
S. McCloskey and M. Albright, "Detecting GAN-generated Imagery using Color Cues," IEEE International Conference on Image Processing, pp. 4584-4588, 2019.
A. Pishori, B. Rollins, N. van Houten, N. Chatwani, and O. Uraimov, "Detecting Deep-fake Videos: An Analysis of Three Techniques," arXiv preprint, arXiv:2007.08517, 2020.
I. Ahmad, I. Moon, and S.J. Shin, "Color- to-Grayscale Algorithms Effect on Edge Detection - A Comparative Study," International Conference on Electronics, Information, and Communication. IEEE, pp. 1-4, 2018.
Y. Xie and D. Richmond, "Pre-training on Grayscale ImageNet Improves Medical Image Classification," Proceedings of the European Conference on Computer Vision Workshops, pp. 476-484, 2018.
F. Chollet, "Xception: Deep Learning With Depthwise Separable Convolutions," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1251-1258, 2017.
C. Szegedy, S. Ioffe, V. Vanhoucke, and A.A. Alemi, "Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning," Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 31, No. 1, pp. 4278-4284, 2017.
K. He, X. Zhang, S. Ren, and J. Sun, "Deep Residual Learning for Image Recognition," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 770-778, 2016.
K. Simonyan and A. Zisserman, "Very Deep Convolutional Networks for Large-Scale Image Recognition," arXiv preprint, arXiv: 1409.1556, 2015.
G. Huang, Z. Liu, L.V.D. Maaten, and K.Q. Weinberger, "Densely Connected Convolutional Networks," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 4700-4708, 2017.
A. Krizhevsky, I. Sutskever, and G.E. Hinton, "ImageNet Classification with Deep Convolutional Neural Networks," Advances in Neural Information Processing Systems, Vol. 25, pp. 1097-1105, 2012.
Y. Mirsky and W. Lee, "The Creation and Detection of Deepfakes: A Survey," ACM Computing Surveys, Vol. 54, No. 1, pp. 1-41, 2021.

상세보기
D. Chen, Q. Chen, J. Wu, X. Yu, and T. Jia, "Face Swapping: Realistic Image Synthesis Based on Facial Landmarks Alignment," Mathematical Problems in Engineering, pp. 1-11, 2019.
F. Mokhayeri, K. Kamali, and E. Granger, "Cross-Domain Face Synthesis using a Controllable GAN," Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision, pp. 252-260, 2020.
H. Zhou, Y. Liu, Z. Liu, P. Luo, and X. Wang, "Talking Face Generation by Adversarially Disentangled Audio-Visual Representation," Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 33, No. 1, pp. 9299-9306, 2019.
J. Thies, M. Zollhofer, and M. Niessner, "Deferred Neural Rendering: Image Synthesis Using Neural Textures," ACM Transactions on Graphics, Vol. 38, No. 4, pp. 1-12, 2019.

상세보기
M.S. Rana and A.H. Sung, "DeepfakeStack: A Deep Ensemble-based Learning Technique for Deepfake Detection," IEEE International Conference on Cyber Security and Cloud Computing/IEEE International Conference on Edge Computing and Scalable Cloud. IEEE, pp. 70-75, 2020.
B. van Leeuwen, Deepfake Detection Using Convolutional Neural Networks: Working Towards Understanding the Effects of Design Choices, Master's Thesis of Delft University of Technology, 2020.
Y. Li, Detecting and Protecting against AI-Synthesized Faces, Master's Thesis of State University of New York at Albany, 2020.
J. Kim, S. A. Hong, and H. Kim, "A StyleGAN Image Detection Model Based on Convolutional Neural Network," Journal of Korea Multimedia Society, Vol. 22, No. 12, pp. 1447-1456, 2019.

원문보기 상세보기
X. Yang, Y. Li, and S. Lyu, "Exposing Deep Fakes Using Inconsistent Head Poses," ICASSP IEEE International Conference on Acoustics, Speech and Signal Processing. IEEE, pp. 8261-8265, 2019.
P. Korshunov and S. Marcel, "Deepfakes: a New Threat to Face Recognition? Assessment and Detection," arXiv preprint, arXiv: 1812.08685, 2018.
Y. Li and S. Lyu, "Exposing Deepfake Videos By Detecting Face Warping Artifacts," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, pp. 46-52, 2019.
L. Jiang, R. Li, W. Wu, C. Qian, and C.C. Loy, "DeeperForensics-1.0: A Large-Scale Dataset for Real-World Face Forgery Detection," Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 2889-2898, 2020.
Contributing data to Deepfake detection research(2019). https://ai.googleblog.com/2019/09/contributing-data-to-deepfake-detection.html (accessed September 29, 2021).
G. Fox, W. Liu, H. Kim, H.P. Seidel, M. Elgharib, and C. Theobalt, "Videoforensicshq: Detecting High-Quality Manipulated Face Videos," IEEE International Conference on Multimedia and Expo. IEEE, pp. 1-6, 2021.
B. Zi, M. Chang, J. Chen, X. Ma, and Y.G. Jiang, "WildDeepfake: A Challenging Real-World Dataset for Deepfake Detection," Proceedings of the ACM International Conference on Multimedia, pp. 2382-2390, 2020.
U.A. Ciftci, I. Demir, and L. Yin, "FakeCatcher: Detection of Synthetic Portrait Videos Using Biological Signals," IEEE Transactions on Pattern Analysis and Machine Intelligence, pp. 1-1, 2020.
O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, et al., "ImageNet Large Scale Visual Recognition Challenge," International Journal of Computer Vision, Vol. 115, No. 3, pp. 211-252, 2015.

상세보기
M. Lin, Q. Chen, and S. Yan, "Network In Network," arXiv preprint, arXiv:1312.4400, 2013.
S. Narkhede, "Understanding AUC-ROC Curve," Towards Data Science, Vol. 26, pp. 220-227, 2018.
Z.C. Lipton, C. Elkan, and B. Naryanaswamy, "Optimal Thresholding of Classifiers to Maximize F1 Measure," Proceedings of the Joint European Conference on Machine Learning and Knowledge Discovery in Databases, pp. 225-239, 2014.
I. Kassem and A. Sleit, "Elapsed Time of IoT Application Protocol for ECG: A Comparative Study Between CoAP and MQTT," International Conference on Electrical, Communication, and Computer Engineering. IEEE, pp. 1-6, 2020.
D. Guera and E.J. Delp, "Deepfake Video Detection Using Recurrent Neural Networks," IEEE International Conference on Advanced Video and Signal Based Surveillance. IEEE, pp. 1-6, 2018.
C.M. Yu, C.T. Chang, and Y.W. Ti, "Detecting Deepfake-Forged Contents with Separable Convolutional Neural Network and Image Segmentation," arXiv preprint, arXiv:1912.12184, 2019.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증