detectify
1.0.0
La puissance de calcul croissante a rendu les algorithmes d'apprentissage en profondeur si puissants que la création d'une vidéo synthétisée humaine indiscernable populairement appelée FAKED FACHE est devenue très simple. Des scénarios où ce visage réaliste échangé de profondeur est utilisé pour créer une détresse politique, de faux événements de terrorisme, les peuples chanteurs sont facilement envisagés. Dans ce travail, nous décrivons une nouvelle méthode basée sur l'apprentissage en profondeur qui peut distinguer efficacement les fausses vidéos générées par l'IA de vraies vidéos. Notre méthode est capable de détecter automatiquement le remplacement et de reconstituer des contrefaçons profondes. Notre système utilise un réseau neuronal de convolution res-next pour extraire les fonctionnalités de niveau trame et ces fonctionnalités et utilisé pour former le réseau neuronal récurrent (RNN) basé sur la mémoire à long terme (LSTM) pour classer si la vidéo est soumise à une manipulation ou non, c'est-à-dire que la vidéo est une vidéo profonde ou une vraie vidéo. Pour imiter les scénarios en temps réel et rendre le modèle meilleur sur les données en temps réel, nous évaluons notre méthode sur une grande quantité de données équilibrées et mixtes préparées en mélangeant les différents ensembles de données disponibles comme Face-Gorensic ++, DeepFake Detection Challenge et CELEB-DF.
git clone https://github.com/subhansahebshaik/detectify.git
Cela ne fonctionne que si Git installé dans votre système, sinon téléchargez manuellement le fichier zip à partir de github et l'extraire dans l'emplacement souhaité.
Créez des répertoires «Modèles», «Uploaded_videos» et «Uploaded_images» dans le dossier racine.
Maintenant, téléchargez les modèles à partir de G-Drive, puis copiez-les dans le dossier Modèles créés plus tôt https://drive.google.com/drive/folders/1ux8jxuxyejhllz38tcgowgsz6xfsldj-?usp=sharing
Maintenant courir,
La création de l'évironment virtuel est facultative mais recommandée
python -m venv venv venv scripts activer
La commande suivante installera toutes les bibliothèques requises du projet
pip install -r exigences.txt
Python Manage.py Runserver
Je tiens à exprimer mon remerciement spécial à Abhijitjadhav1998 / Deepfake_Dection_USING_DEEP_LEARNING pour fournir des informations et une inspiration précieuses pour ce projet. Le code et les idées présentés dans ce référentiel ont servi de base et de guide pour développer notre méthode basée sur l'apprentissage en profondeur pour détecter les fausses vidéos générées par l'IA.
