Partially Spoofed Audio Detection论文介绍（ICASSP 2024）

本文主要是介绍Partially Spoofed Audio Detection论文介绍（ICASSP 2024），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

An Efficient Temporary Deepfake Location Approach Based Embeddings for Partially Spoofed Audio Detection

论文翻译名：一种基于部分欺骗音频检测的基于临时深度伪造位置方法的高效嵌入

摘要：

• 部分伪造音频检测是一项具有挑战性的任务，在于需要在帧级别上准确地定位音频的真实性。
• 时间性深度伪造定位( TDL )，可以有效地捕获特征和位置信息。
• 我们的方法包括两个新颖的部分：嵌入相似性模块和时间卷积操作。
• 为了有效地集中位置信息，提出了时间卷积操作来计算相邻帧之间的帧特异性相似度，并动态地选择信息丰富的邻居进行卷积。

结论：TDL在19PS数据集上取得了最好的性能，并且在跨数据集场景下也表现良好。

背景：

• 在大多数数据集和挑战中，一个重要的场景被忽略，即一个真实的语音语句被合成的语音片段污染，导致部分欺骗(PS)。
• 在整个PS发展领域，先有了两个数据集（一个叫PartialSpoof），使用SELCNN网络增强语音的准确性，之后是有人使用Wav2Vec2作为前端，ECAPA-TDNN作为后端，在ADD 2022 Track 2中取得了第一名。
• 上面方法并不能精确地定位特定的片段，有人将之前的语音级PS数据集标签扩展到帧级，并提出了相应的基于W2V2的对抗策略来增强帧级检测能力。
• TDL——Wav2Vec2作为前端，后端集中于细腻地定位虚假语音片段：第一次使用嵌入相似度模块（嵌入空间并得到高质量的嵌入相似度向量）；然后，我们提出了时间卷积操作来从嵌入向量中定位区域。从嵌入中计算每个时间位置的局部相似性。获得一个特定于帧的权重来指导卷积进行时间敏感的计算。

内容成果：

1.使用Wav2Vec - XLS - R从原始音频中提取帧级特征；

2. 设计了一个嵌入相似度模块来在嵌入空间中分离真实帧和合成帧，在嵌入层面增强真假区分的识别；

3.为了捕获位置信息，采用时间卷积操作，通过关注相邻帧之间特定帧的相似性；

4.使用1D卷积层和全连接层对帧级标签进行下采样，以计算二进制交叉熵；

一、W2V2 前端

过在掩码特征编码器上解决对比任务进行训练，

首先，不同长度的语音信号通过由七个卷积神经网络( CNN )层组成的特征提取器。

随后，使用包含24层、16个注意力头、嵌入大小为1024的Transformer网络获得上下文表示。

二、嵌入相似度模块（ESM）

• 嵌入向量是L2 -规范化的；
• 利用余弦相似度来度量两个嵌入向量的相似度:

• 为了增加嵌入空间中真假帧之间的距离，提高泛化能力，我们计算了真帧之间、假帧之间以及真假帧之间的余弦相似度；
• 确保来自不同位置的真实帧表现出相似性，来自不同位置的虚假帧表现出相似性，而真实帧和虚假帧彼此不相似性；
• 使得不同位置的真实帧和虚假帧相似：

理解：τsame 是同一类别帧的相似度阈值，⌊ . . . ⌋+ 表示零下限幅，...

• 虽然知道帧级真实性标签的位置，但W2V2-XLS-R特征的时间维度并不与这些帧级标签内在地保持一致。
• 分离真假帧：

τdiff为相似度阈值，用于约束真假帧之间的距离；

• 最后嵌入相似度模块采用LESM进行优化：

三、时间卷积操作

为了有效地捕获位置信息，使用嵌入向量作为局部注意力掩码来执行时间卷积操作；

理解：其中fmt为输出特征向量的第m个通道的值，⌊· · ·⌋表示向下取整操作，[ · · ·]表示矩阵的切片，( · )表示内积。X是经过近邻相似度计算处理的调制特征。

其中矩阵a∈Rk × T是一个相似矩阵，计算每个时间位置的局部相似性，a[ i , t]表示第t个特征向量和它的k个邻居之间的相似性。在实际操作中，邻居设置为1，a[ i , t]、a[ i , t-1 ]、a[ i , t + 1]之间进行相似度计算。

在实际操作中，我们根据ESM模块生成的嵌入向量来确定动态核权重。我们对两个序列1D - CNN上的W2V2特征进行时间卷积操作，其中输入通道和输出通道都保持不变，以保持时间维度上的一致性。

四、总损失

使用1D-CNN，全连接层和sigmoid激活函数来计算BCE（Binary Cross-Entropy）损失。

五、实验结果分析

所有的度量都是基于部分欺骗音频的帧级真实性标签计算的。

使用了基于点的二分类准确率，召回率和Sklearn的F1分数。在任何评估之前，根据特征的实际长度消除零填充。

实验测试表明使用real 1fake 0标签的效果更好，而且提出的模型复杂度更低。

贡献点：

• 提出TDL方法，一种适用于PS场景的高效的ADD方法，该方法结合了嵌入相似性模块和时间卷积操作，可以有效地捕获特征和位置信息。
• 提出的方法在ASV spoof 2019PS数据集上优于基线模型，即使在跨数据集实验中也表现出优越的性能。

注：科研新手总结的论文，后续会出一篇结合代码的分析文章。

这篇关于Partially Spoofed Audio Detection论文介绍（ICASSP 2024）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---