拍卖网站模板,企业网站托管平台有哪些,基于目的地的o2o旅游电子商务网站开发设计毕业设计,wordpress微信免签能用吗Deep4SNet#xff1a;用于虚假语音分类的深度学习 摘要#xff1a; 虚假语音是指即使通过人工智能或信号处理技术产生的语音记录。生成虚假录音的方法有深度语音和模仿。在《深沉的声音》中#xff0c;录音听起来有点合成#xff0c;而在《模仿》中… Deep4SNet用于虚假语音分类的深度学习 摘要 虚假语音是指即使通过人工智能或信号处理技术产生的语音记录。生成虚假录音的方法有深度语音和模仿。在《深沉的声音》中录音听起来有点合成而在《模仿》中录音听起来很自然。另一方面考虑到在互联网上传输的大量语音记录检测虚假内容的任务并不微不足道。 为了检测通过深度语音和模仿获得的虚假语音我们 提出了一种基于卷积神经网络( Convolutional Neural NetworkCNN )的解决方案使用图像增强和Dropout。所提出的架构使用2092个原始和虚假语音记录的直方图进行训练并使用864个直方图进行交叉验证。使用476个新直方图进行外部验证并计算准确率( PrecisionP )和召回率( RecallR )。对模仿型探究录音的 检测达到了P 0.997R 0.997对Deep Voice-based录音的检测达到了P 0.985R 0.944。全局精度为0.985。根据结果所提出的系统在检测虚假语音内容方面是成功的。 结论 Deep4SNet在检测模仿和Deep Voice生成的伪造语音方面表现出色整体准确率达到0.985。 通过对比手工特征和自动特征提取方法论文发现自动特征提取使用直方图图像更适合于伪造语音检测任务。 通过图像增强和dropout技术模型在防止过拟合方面表现出良好的鲁棒性。 背景 伪造语音问题 随着人工智能和信号处理技术的发展伪造语音变得越来越逼真。伪造语音可能用于欺骗、误导或作为虚假证据尤其是在法律领域因此检测伪造语音具有重要意义。 现有方法传统的语音验证方法主要依赖于高斯混合模型GMM和通用背景模型UBM。近年来基于遗传算法GA、蚁群优化ACO、支持向量机SVM和深度学习DL的方法也被提出用于语音验证和伪造语音检测。 内容成果 研究方法
论文提出了一种基于卷积神经网络CNN的伪造语音检测模型称为Deep4SNet。该模型使用图像增强和dropout技术来提高检测性能。 模型训练使用了2092个直方图这些直方图来自原始语音和伪造语音录音。此外还使用了864个直方图进行交叉验证以及476个新的直方图用于外部验证。 论文比较了手工特征提取和自动特征提取两种方法。手工特征提取依赖于统计值和熵等特征而自动特征提取则通过将语音信号转换为直方图图像来实现将问题转化为计算机视觉问题。 Deep4SNet的网络结构相对简单包含3个卷积池化层后接一个展平层、一个隐藏层和输出层。隐藏层中使用了dropout来防止过拟合。 实验
实验设置实验使用了基于模仿方法和Deep Voice算法生成的原始和伪造语音录音。数据集被平衡地分为训练集和验证集。 评价指标使用准确率、损失、精确率和召回率等指标来评估模型性能。 过拟合策略通过图像增强水平翻转和dropout来避免过拟合。实验结果表明dropout率为0.2时模型性能较好。 外部测试使用400个新的录音20个原始录音和380个伪造录音进行外部测试。测试结果显示模型在检测模仿方法生成的伪造语音时精确率为0.997召回率为0.997在检测Deep Voice生成的伪造语音时精确率为0.985召回率为0.944。 贡献点 提出了一种基于深度学习的伪造语音检测方法能够有效区分原始语音和通过模仿及Deep Voice技术生成的伪造语音。
