Mesonet : Détecter la falsification de vidéos deepfakes
Item
-
Titre de la conférence
-
Mesonet : Détecter la falsification de vidéos deepfakes
-
Date de la conférence
-
12 October 2023
-
Résumé
-
L'apparition des deepfakes en 2017 a marqué un tournant dans le rapport que nous entretenons avec les vidéos truquées. Cette technique consiste à remplacer, sur un média vidéo, le visage d’une personne par celui d’une autre personne, en transférant les mouvements du visage ainsi que ses intentions. Cette technologie, et beaucoup d'autres depuis, permet de réaliser de fausses vidéos convaincantes en délégant les compétences de graphiste à la machine. Durant cette présentation, je propose de commencer par une description du fonctionnement des deepfakes, en particulier du détournement très élégant des modèles auto-encodeurs. Ensuite, je dresserai un panorama des approches de détection de deepfakes, notamment à l'aide de méthodes d'apprentissage profond. Nous pourrons évoquer la question du jeu du chat et de la souris, à savoir qui aura le dernier mot ? Enfin, je suggère de porter une réflexion sur l'usage du deep learning en sciences. Il se trouve que la détection des deepfakes correspond précisément à la période où les méthodes de détection de falsification d'images ont basculé de l'usage des mathématiques et du traitement du signal vers les méthodes d’apprentissage automatique.
-
Citation tirée de la conférence
-
« Ce qui est intéressant avec cette vidéo-là, c'est que quand on la regarde dans cette qualité-là, elle est vraiment impressionnante. Alors parfois, on se dit : "ouais moi je m'aperçois que c'est un deep fake, je le vois bien quand même." Quand on est prévenu, effectivement il y a certaines personnes, surtout les graphistes en fait, qui peuvent se dire : "ouais, moi je vois quelque chose", mais quand on est pas prévenu, on se fait avoir. Et alors, il faut bien voir aussi que cette vidéo-là, si on la met sur les réseaux sociaux, elle va perdre en qualité et alors là par contre on ne pourra plus voir les petits détails qui font qu'on détecterait peut-être un deep fake visuellement. »
-
« Là on assiste à quelque chose de marquant. En fait, parmi nos plus jeunes chercheurs, on gagne énormément de compétences en deep learning, et c'est intéressant parce que ce sont des gens qui sont capables de faire des réseaux formidables, on obtient des outils qui sont souvent beaucoup plus performants que ce qu'on avait avant, des possibilités de création comme on a vu ce matin, des choses très intéressantes. Et, à côté de ça, on perd réellement des compétences en mathématiques. Moi, ma formation, c'est de la vision par ordinateur, et il y a un temps où tout le monde savait calibrer des caméras du point de vue mathématique, alors que maintenant, dans les mêmes conférences, tout le monde sait faire du réseau, mais en fait c'est beaucoup de maths qui sont perdues en fait, personne sait comment calibrer une caméra. »
Annotations
There are no annotations for this resource.
Vincent Nozick
MesoNet: a Compact Facial Video Forgery Detection Network
Computational Aspects of Geometric Algebra Products
of Two Homogeneous Multivectors