МЕТОД АВТОМАТИЧЕСКОЙ ДЕТЕКЦИИ DEEPFAKE-ВИДЕО НА ОСНОВЕ ПЕРЕНОСА ЗНАНИЙ И ВЗВЕШЕННОЙ АГРЕГАЦИИ ПОКАДРОВЫХ ПРЕДСКАЗАНИЙ

Лукащук М.О. Зори С.А

Об авторах

Лукащук М.О. Зори С.А

Лукащук Михаил Олегович – магистрант кафедры программной инженерии им. Л.П. Фельдмана ФГБОУ ВО «Донецкий национальный технический университет», 283001, г. Донецк, ул. Артема, д. 58. Область научных интересов: системы искусств енного интеллекта, глубокое обучение, обработка видеоданных. ORCID: 0009-0005-7339-3604

Скачать PDF

УДК: 004.89
DOI: 10.24412/2413-7383-2026-2-41-112-122
Язык: Русский

Аннотация: В статье представлен метод автоматического обнаружения синтезированных видеоматериалов типа DeepFake, основанный на применении предобученной свёрточной нейронной сети EfficientNet-B0 с классификационной головой, обучаемой под задачу бинарной детекции. Рассмотрены этапы подготовки данных на основе датасета DFDC, проектирования двухуровневой архитектуры детектора и организации обучения с использованием функции потерь на основе бинарной кросс-энтропии с логитами. Предложен метод покадрового анализа видео с агрегацией предсказаний посредством взвешенного усреднения, учитывающего уверенность модели в каждом кадре.

Ключевые слова: DeepFake, обнаружение синтезированных видео, EfficientNet, глубокое обучение, PyTorch, DFDC, детекция, нейронные сети.

Список литературы

1. Chesney R. Citron D. Deep Fakes: A Looming Challenge for Privacy, Democracy, and National Security / R. Chesney, D. Citron // California Law Review. 2019. Vol. 107, № 6. P. 1753–1819.
2. Tolosana R. Vera-Rodriguez R. Fierrez J. Morales A. Ortega-Garcia J. Deepfakes and Beyond: A Survey of Face Manipulation and Fake Detection / R. Tolosana, R. Vera-Rodriguez, J. Fierrez, A. Morales, J. Ortega-Garcia // Information Fusion. 2020. Vol. 64. P. 131 –148.
3. Нестеренко С.А. Кириченко И.А. Методы обнаружения синтезированных медиаданных на основе глубокого обучения / С.А. Нестеренко, И.А. Кириченко // Известия ЮФУ. Технические науки. 2022. № 3 (228). С. 14–24.
4. Батура Т.В. Мурзин Ф.А. Свёрточные нейронные сети: обзор архитектур и применений / Т.В. Батура, Ф.А. Мурзин // Программные продукты и системы. 2018. Т. 31, № 4. С. 710–720.
5. Tan M. Le Q.V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks / M. Tan, Q.V. Le // Proceedings of the 36th International Conference on Machine Learning. 2019. P. 6105–6114.
6. Dolhansky B. Bitton J. Pflaum B. Lu J. Howes R. Wang M. Ferrer C.C. The DeepFake Detection Challenge (DFDC) Dataset [Электронный ресурс] / B. Dolhansky, J. Bitton, B. Pflaum, J. Lu, R. Howes, M. Wang, C.C. Ferrer. 2020. Режим доступа: https://arxiv.org/abs/2006.07397 Загл. с экрана.
7. Bradley A.P. The Use of the Area Under the ROC Curve in the Evaluation of Machine Learning Algorithms / A.P. Bradley // Pattern Recognition. 1997. Vol. 30, № 7. P. 1145–1159.
8. Zhang K. Zhang Z. Li Z. Qiao Y. Joint Face Detection and Alignment Using Multitask Cascaded Convolutional Networks / K. Zhang, Z. Zhang, Z. Li, Y. Qiao // IEEE Signal Processing Letters. 2016. Vol. 23, № 10. P. 1499–1503.
9. Лукащук, М. О. Программная реализация алгоритма генеративных состязательных сетей для задач синтеза изображений / М. О. Лукащук, С. А. Зори // Информатика и кибернетика. 2025. № 1(39). С. 48-55. EDN TGISRH.
10. Лукащук, М. О. Система синтеза видео на основе технологии DeepFake / М. О. Лукащук, С. А. Зори // Информатика и кибернетика. 2025. № 2(40). С. 21-27. EDN FJMOZY
11. Каспаров Ю. А. Обучение моделей компьютерного зрения для задачи детекции и сегментации стволовых клеток / Ю. А. Каспаров, В. М. Зуев // Проблемы искусственного интеллекта. 2025. № 3 (38). С. 183–189. DOI 10.24412/2413-7383-2025-3-38-183-189.
12. Зуев В. М. Сравнение обнаружения объектов средствами искусственного интеллекта в сравнении с классическими методами / В. М. Зуев // Проблемы искусственного интеллекта. 2024. № 3 (34). С.30–
13. DOI 10.24412/2413-7383-2024-3-30-35.
14. Зуев В. М. Ортогонализация весовых коэффициентов нейросети / В. М. Зуев // Проблемы искусственного интеллекта. 2025. № 1 (36). С. 135–140. DOI 10.24412/2413-7383-135-140.
15. Никитенко К. А. Интерпретируемость нейросемантических моделей при их применении в прикладных областях / К. А. Никитенко, А. В. Звягинцева // Проблемы искусственного интеллекта. 2025. № 2 (37). С. 79–90. DOI 10.24412/2413-7383-2025-2-37-79-90. Л Лукащук М.О. Зори С.А.
16. Камгуя Ф. Х. Обнаружение симметричных линий в изображениях с помощью методов угловых линий и срединных линий / Ф. Х. Камгуя, А. Б. Гончарова // Проблемы искусственного интеллекта. 2026. № 1 (40). С. 15–24. DOI 10.24412/2413-7383-2026-1-40-15-24.
17. Generative Adversarial Networks / Goodfellow I. Pouget-Abadie J. Mirza M. Xu B. Warde-Farley D. Ozair S. Courville A. Bengio Y. // Communications of the ACM. 2020. Vol. 63, № 11. P. 139–144.
18. Analyzing and Improving the Image Quality of StyleGAN / Karras T. Laine S. Aittala M. Hellsten J. Lehtinen J. Aila T. // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2020. P. 8110–8119.
19. FaceForensics++: Learning to Detect Manipulated Facial Images / Rossler A. Cozzolino D. Verdoliva L. Riess C. Thies J. Niessner M. // Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV). 2019. P. 1–11.
20. Albumentations: Fast and Flexible Image Augmentations / Buslaev A. Iglovikov V. I. Khvedchenya E. Parinov A. Druzhinin M. Kalinin A. A. // Information. 2020. Vol. 11, № 2. P. 125.

Выпуск: 2(41)'2026
Раздел: СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ, СТАТИСТИКА
Как цитировать: Лукащук М.О. Зори С.А. МЕТОД АВТОМАТИЧЕСКОЙ ДЕТЕКЦИИ DEEPFAKE-ВИДЕО НА ОСНОВЕ ПЕРЕНОСА ЗНАНИЙ И ВЗВЕШЕННОЙ АГРЕГАЦИИ ПОКАДРОВЫХ ПРЕДСКАЗАНИЙ // Проблемы искусственного интеллекта. - 2026. - № 2 (41). - С. 112-122. - https://paijournal.guiaidn.ru/ru/2026/2(41)-10.html

Назад к выпуску 2(41)'2026