Le géant de la technologie Intel pense avoir une solution au problème croissant des deepfakes.
Plus tôt cette semaine, la société a dévoilé FakeCatcher, une toute nouvelle solution logicielle qui utilise une nouvelle approche de l’analyse vidéo deepfake. Apparemment, il peut repérer des vidéos deepfake avec une précision de 96 %.
Tout comme les précédentes solutions d’analyse deepfake, celle-ci exploite la puissance de l’apprentissage automatique (s’ouvre dans un nouvel onglet). Cependant, au lieu de rechercher des incohérences dans la vidéo elle-même, FakeCatcher analyse le contenu pour déterminer si la personne dans la vidéo est un être humain réel qui a été enregistré à un moment donné ou un produit synthétique.
Changements (in)visibles sur le visage
Comment y parvient-il ? Selon Ilke Demir, chercheur principal chez Intel Labs, il peut voir si la personne dans la vidéo a le cœur battant ou non.
« Lorsque notre cœur pompe le sang, nos veines changent de couleur », indique le rapport d’Intel. « Ces signaux de flux sanguin sont collectés sur tout le visage et des algorithmes traduisent ces signaux en cartes spatio-temporelles. Ensuite, grâce à l’apprentissage en profondeur, nous pouvons détecter instantanément si une vidéo est réelle ou fausse. »
La méthode est également connue sous le nom de photopléthysmographie (PPG), un moyen éprouvé de mesurer la quantité de lumière que les vaisseaux sanguins résidant dans les tissus vivants absorbent ou réfléchissent.
Parler à VentureBeat (s’ouvre dans un nouvel onglet), Demir a déclaré que les changements de couleur sont invisibles à l’œil humain, mais pas à un ordinateur. « Les signaux PPG sont connus, mais ils n’ont pas été appliqués au problème du deepfake auparavant. »
Elle a également expliqué que FakeCatcher recueille les signaux PPG de 32 endroits différents sur le visage.
« Nous prenons ces cartes et formons un réseau neuronal convolutif au-dessus des cartes PPG pour les classer comme fausses et réelles », a déclaré Demir. « Ensuite, grâce aux technologies Intel comme [the] Deep Learning Boost framework pour l’inférence et Advanced Vector Extensions 512, nous pouvons l’exécuter en temps réel et jusqu’à 72 flux de détection simultanés.
Demir a construit FakeCatcher avec Umur Ciftci de l’Université d’État de New York à Binghamton. Apparemment, les deepfakes sont une préoccupation croissante, car la barrière à l’entrée s’abaisse et la création de vidéos très convaincantes devient encore plus facile.