Ensemble De Données De Falsification De Visage ForgeryNet

L'ensemble de données ForgeryNet est une référence vaste et complète conçue spécifiquement pour l'analyse deepfake. Il contient 2,9 millions d'images et 221 247 vidéos, couvrant 7 méthodes de falsification au niveau de l'image et 8 au niveau de la vidéo du monde entier. Cet ensemble de données fournit aux chercheurs de riches ressources pour prendre en charge quatre tâches aux niveaux de l'image et de la vidéo : la classification des falsifications d'images, la localisation spatiale des falsifications, la classification des falsifications vidéo et la localisation temporelle des falsifications. Ces tâches vont de la détection de falsification d'images binaires à multi-classification, ainsi que de la localisation spatiale et temporelle des régions falsifiées.

La taille et la diversité de l'ensemble de données ForgeryNet en font le plus grand ensemble de données de falsification de visages en profondeur actuellement disponible au public. Les caractéristiques sont les suivantes :

1. Échelle des données : 2,9 millions d'images, 221 247 vidéos
2. Manipulations : 7 méthodes au niveau de l'image, 8 méthodes au niveau de la vidéo
3. perturbations : 36 perturbations individuelles et plus de perturbations mixtes
4. annotations : 6,3 millions d'étiquettes de classification, 2,9 millions d'annotations de région d'action et 221 247 étiquettes de segments de falsification temporelle

Peut être utilisé pour les quatre tâches suivantes :

• Emplacement de la falsification temporelle : localisez les périodes temporelles dans lesquelles les vidéos ont été falsifiées.

• Classification de la falsification d'images, y compris la classification à deux voies (réelle/falsifiée), à trois voies (réelle/falsifiée contre méthode de falsification remplaçant l'identité/falsifiée contre méthode de falsification préservant l'identité) et à n voies (réelle contre 15 méthodes de falsification).

• Localisation spatiale des falsifications, les régions manipulées des images falsifiées sont segmentées par rapport aux images réelles correspondantes.

• Classification des falsifications vidéo, redéfinit la classification des falsifications au niveau vidéo et traite les images à des positions aléatoires.

L'ensemble de données a été lancé conjointement en 2021 par des chercheurs de SenseTime Research, de l'Université des postes et télécommunications de Pékin, du Laboratoire d'intelligence artificielle de Shanghai, de l'École de logiciels, de l'Université Beihang, de l'Université des sciences et technologies de Chine et du S-Lab, de l'Université technologique de Nanyang.ForgeryNet : une référence polyvalente pour l'analyse complète des contrefaçons".