Phát hiện khuôn mặt giả mạo trong video

BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH TRẨN HẢI NAM PHÁT HIỆN KHN MẶT GIẢ MẠO TRONG VIDEO Chuyên ngành: KHOA HỌC MÁY TÍNH Mã chuyên ngành: 60480101 LUẬN VĂN THẠC SĨ THÀNH PHỐ HỒ CHÍ MINH, NĂM 2021 Cơng trình hồn thành Trường Đại học Cơng nghiệp TP Hồ Chí Minh Người hướng dẫn khoa học: PGS.TS Phạm Thế Bảo Luận văn thạc sĩ bảo vệ Hội đồng chấm bảo vệ Luận văn thạc sĩ Trường Đại học Công nghiệp thành phố Hồ Chí Minh ngày 17 tháng 10 năm 2021 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: PGS.TS Huỳnh Trung Hiếu - Chủ tịch Hội đồng TS Lê Thành Sách - Phản biện TS Trịnh Tấn Đạt - Phản biện TS Lê Trọng Ngọc - Ủy viên TS Lê Nhật Duy - Thư ký (Ghi rõ họ, tên, học hàm, học vị Hội đồng chấm bảo vệ luận văn thạc sĩ) CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA CÔNG NGHỆ THÔNG TIN BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CƠNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Trần Hải Nam MSHV: 15001131 Ngày, tháng, năm sinh: 26/07/1992 Nơi sinh: Gia Lai Chuyên ngành: Khoa học máy tính Mã chuyên ngành: 60480101 I TÊN ĐỀ TÀI: Phát khuôn mặt giả mạo video NHIỆM VỤ VÀ NỘI DUNG: - Nắm tình hình giả mạo khuôn mặt phương pháp sử dụng để phát giả mạo - Đề xuất phương pháp phát khuôn mặt giả mạo video - Phân tích kết đưa hướng phát triển II NGÀY GIAO NHIỆM VỤ: 29/12/2020 III NGÀY HOÀN THÀNH NHIỆM VỤ: 29/6/2021 IV NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS Phạm Thế Bảo TP Hồ Chí Minh, ngày … tháng… năm 2021 NGƯỜI HƯỚNG DẪN CHỦ NHIỆM BỘ MÔN ĐÀO TẠO PGS.TS Phạm Thế Bảo TRƯỞNG KHOA CÔNG NGHỆ THÔNG TIN LỜI CẢM ƠN Để hoàn thành luận văn thạc sĩ này, xin bày tỏ cảm kích đặc biệt tới cố vấn tơi, PGS.TS Phạm Thế Bảo - Người định hướng, trực tiếp dẫn dắt cố vấn cho suốt thời gian thực đề tài nghiên cứu khoa học Tôi xin gửi lời cảm ơn đến thầy tất tấm lịng biết ơn Tơi xin gửi lời cảm ơn chân thành đến thầy Lê Nhật Duy – Phó khoa Cơng nghệ thơng tin hướng dẫn giúp đỡ biểu mẫu quy trình hoàn thành đề tài luận văn từ bắt đầu đăng ký đề cương đến bảo vệ luận văn Tơi xin trân trọng cảm ơn Phịng quản lý Sau đại học giúp đỡ thủ tục cần thiết để hoàn thành luận văn Xin chân thành cảm ơn tất người! i TÓM TẮT LUẬN VĂN THẠC SỸ Ngày nay, với công nghệ phát triển, dễ dàng bắt gặp hình ảnh, video giả mạo khắp nơi mạng Internet Với mợt thao tác tìm kiếm đơn giản Google với nợi dung: "Fake videos", bạn có hàng loạt kết phản hồi chưa đầy giây, có video giả mạo Cựu tổng thống Obama cách để tạo chúng Trong luận văn này, chúng tơi nắm tình hình giả mạo khuôn mặt phương pháp sử dụng để phát giả mạo Đề xuất phương pháp phát khuôn mặt giả mạo video: sử dụng mơ hình mạng học sâu, dựa đặc điểm sinh lý, dự đoán tư đầu Sử dụng thuật toán phân lớp để so sánh đưa nhận xét hướng phát triển tương lai Sản phẩm hoàn thành đạt mục tiêu đề đề xuất thuật giải phát khuôn mặt giả mạo video Từ hỗ trợ hiệu cho việc phát video sử dụng ứng dụng giả mạo khuôn mặt ii LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng tôi, số liệu kết nghiên cứu nêu luận văn trung thực, việc tham khảo nguồn tài liệu (nếu có) thực trích dẫn ghi nguồn tài liệu tham khảo quy định Học viên Trần Hải Nam iii MỤC LỤC LỜI CẢM ƠN i TÓM TẮT LUẬN VĂN THẠC SỸ ii LỜI CAM ĐOAN iii MỤC LỤC iv DANH MỤC HÌNH ẢNH viii DANH MỤC BẢNG BIỂU x DANH MỤC TỪ VIẾT TẮT xi MỞ ĐẦU .1 Tính cấp thiết Mục tiêu nghiên cứu Đối tượng phạm vi nghiên cứu Cách tiếp cận phương pháp nghiên cứu .2 Ý nghĩa thực tiễn đề tài .3 CHƯƠNG GIỚI THIỆU TỔNG QUAN 1.1 Tổng quan mơ hình giả mạo khn mặt 1.1.1 GAN .4 1.1.1.1 Giới thiệu 1.1.1.2 Mô hình hoạt đợng .4 1.1.2 Deepfake 1.1.2.1 Giới thiệu 1.1.2.2 Mơ hình hoạt động .8 1.2 Tổng quan toán phát giả mạo khuôn mặt video 10 1.2.1 Giới thiệu toán .10 1.2.2 Ứng dụng .10 1.2.3 Khó khăn thách thức .11 1.3 Các hướng tiếp cận 11 1.3.1 Sử dụng mơ hình mạng học sâu 11 1.3.2 Phân tích chênh lệch thành phần màu 12 1.3.3 Dựa đặc điểm sinh lý .12 iv 1.3.4 Quan tâm đến cấu trúc tồn thể khn mặt 13 1.3.5 Giữ lại đặc điểm trội .13 1.3.6 Dự đoán tư đầu 13 1.4 Hướng giải 14 CHƯƠNG CƠ SỞ LÝ THUYẾT 15 2.1 Vị trí quan trọng khuôn mặt 15 2.1.1 Định nghĩa 15 2.1.2 Ứng dụng .15 2.1.3 Cơ sở ý tưởng phương pháp 15 2.1.3.1 Xác định vùng khuôn mặt hình ảnh 15 2.1.3.2 Phát điểm xác định cấu trúc quan trọng khuôn mặt 16 2.2 Máy ảnh .18 2.2.1 Giới thiệu thuật ngữ .18 2.2.1.1 Ma trận nội 18 2.2.1.2 Tiêu cự 19 2.2.1.3 Trục 20 2.2.1.4 Điểm bù gốc .20 2.2.1.5 Trục lệch 21 2.2.2 Mô máy ảnh đơn giản .21 2.2.3 Các tham số nội với phép biến đổi 2D .23 2.3 Thuật toán Levenberg-Marquardt 24 2.3.1 Giới thiệu .24 2.3.1.1 Giới thiệu tốn bình phương cực tiểu phi tuyến 24 2.3.1.2 Giới thiệu thuật toán Levenberg-Marquardt 25 2.3.2 Phương pháp Gradient Descent 26 2.3.3 Phương pháp Gauss-Newton .26 2.3.4 Phương pháp Levenberg-Marquardt 27 2.3.5 Cài đặt số học 28 2.3.6 Ưu nhược điểm .29 2.3.6.1 Ưu điểm 29 v 2.3.6.2 Nhược điểm 29 2.4 Biểu đồ đốc dịnh hướng 30 2.4.1 Giới thiệu .30 2.4.2 Phương pháp 30 2.4.2.1 Tiền xử lý 31 2.4.2.2 Tính độ dốc .32 2.4.2.3 Tính vectơ đặc trưng cho ô 32 2.4.2.4 Chuẩn hóa khối .36 2.4.2.5 Tính tốn vectơ đặc trưng HOG .36 2.5 Support vector machine .37 2.5.1 Giới thiệu .37 2.5.2 Lề 38 2.5.3 Tính Lề 38 2.5.4 Lề mềm 39 2.5.5 Nhân 40 2.5.6 Nhận xét .41 2.6 Random forest 41 2.6.1 Giới thiệu .41 2.6.2 Phương pháp 41 2.6.3 Nhận xét .42 2.7 Perceptron đa lớp 42 2.7.1 Giới thiệu .42 2.7.2 Phương pháp 43 2.7.3 Nhận xét .44 CHƯƠNG XÂY DỰNG THUẬT GIẢI 45 3.1 Tổng quát .45 3.2 Các bước thuật giải .45 3.3 Các bước xây dựng thuật giải 46 3.3.1 Tiền xử lý liệu 46 3.3.2 Phát khuôn mặt 47 vi 3.3.3 Dự đoán vị trí quan trọng khn mặt .47 3.3.4 Dự đoán tư đầu 48 3.3.5 Xây dựng mơ hình phân lớp 51 3.4 Tóm tắt thuật giải 52 CHƯƠNG THỰC NGHIỆM 53 4.1 Bộ liệu thực nghiệm .53 4.1.1 Bộ liệu 1: VidTIMIT & DeepfakeTIMIT 53 4.1.2 Bộ liệu 2: UADFV 54 4.2 Môi trường thực nghiệm 55 4.3 Tỉ lệ huấn luyện, duyệt kiểm tra .55 4.4 Cài đặt thực nghiệm thuật giải .55 4.5 Kết thực nghiệm 59 4.5.1 Tập thực nghiệm 1: VidTIMIT & DeepfakeTIMIT 60 4.5.2 Tập thực nghiệm 2: UADFV .62 4.5.3 Tập thực nghiệm : VidTIMIT & DeepfakeTIMIT UADFV .64 4.5.4 Kết tổng hợp 67 CHƯƠNG ĐÁNH GIÁ KẾT QUẢ 69 5.1 Đánh giá .69 5.1.1 Đánh giá nợi bợ mơ hình .69 5.1.2 Đánh giá với mơ hình giới .69 5.2 Nhận xét .71 5.2.1 Ưu điểm .71 5.2.2 Khuyết điểm 72 KẾT LUẬN .73 TÀI LIỆU THAM KHẢO 74 LÝ LỊCH TRÍCH NGANG CỦA HỌC VIÊN 78 vii Ngoài ra, với mơ hình SVM, tơi sử dụng lưới tìm kiếm để tìm tham số tối ưu cho mơ hình Kết có tham số tối ưu với gamma = 0.1 C =1.0 (trong hình 4.4) Hình 4.4 Sử dụng lưới tìm kiếm để tìm tham số tối ưu 4.5.3 Tập thực nghiệm : VidTIMIT & DeepfakeTIMIT UADFV Ở lần thực nghiệm này, huấn luyện kiểm thử mơ hình bộ liệu (tổng hợp VidTIMIT & DeepfakeTIMIT UADFV) (bảng 4.7) 64 Bảng 4.7 Kết thực nghiệm tập : VidTIMIT & DeepfakeTIMIT UADFV Mơ hình SVM Ma trận nhiễu loạn chưa chuẩn hóa Ma trận nhiễu loạn chuẩn hóa (đơn vị tính: khung hình) (đơn vị tính: %) Mơ hình RF Ma trận nhiễu loạn chưa chuẩn hóa Ma trận nhiễu loạn chuẩn hóa (đơn vị tính: khung hình) (đơn vị tính: %) 65 Mơ hình MLP Ma trận nhiễu loạn chưa chuẩn hóa Ma trận nhiễu loạn chuẩn hóa (đơn vị tính: khung hình) (đơn vị tính: %) Hình 4.5 Đường cong đặc trưng mơ hình phân loại bộ liệu 66 4.5.4 Kết tổng hợp Bảng 4.8 bên đợ xác mơ hình qua lần thực nghiệm với tập liệu mơ hình phân lớp Bảng 4.8 Đợ xác mơ hình tập thực nghiệm Tập 1: Tập 2: Tập 3: VidTIMIT & UADFV VidTIMIT & DeepfakeTIMIT DeepfakeTIMIT UADFV Support Vector Huấn luyện 0.9996 0.9192 0.9606 0.9869 0.7702 0.8536 Kiểm tra 0.9679 0.7668 0.8518 Random Forest Huấn luyện 1.0 1.0 1.0 (RF) Duyệt 0.9997 0.7366 0.9018 Kiểm tra 0.9997 0.7502 0.8986 Huấn luyện 0.9999 0.8932 0.9459 0.9843 0.7543 0.8936 0.9794 0.7512 0.8889 Machine (SVM) Duyệt Multi Layer Perceptron (MLP) Duyệt Kiểm tra Sau đó, tơi sử dụng mơ hình h́n luyện lần (tập liệu với bợ liệu) để dự đốn thật giả bợ liệu ta có đợ xác bảng 4.9 thời gian huấn luyện bảng 4.10 67 Bảng 4.9 Đợ xác mơ hình bộ liệu Bộ liệu Bộ liệu 1: Bộ liệu 2: Cả VidTIMIT & UADFV liệu DeepfakeTIMIT Support Vector Machine (SVM) 0.9633 0.7862 0.8518 Random Forest (RF) 0.9899 0.9054 0.8986 Multi Layer Perceptron (MLP) 0.9806 0.7936 0.8889 Bảng 4.10 Thời gian huấn luyện đưa dự đốn mơ hình Tập 1: Tập 2: Tập 3: VidTIMIT & UADFV VidTIMIT & DeepfakeTIMIT DeepfakeTIMIT UADFV Thời gian huấn luyện ~ 40.13 giây 68 ~ 16.04 giây ~ 92.99 giây CHƯƠNG ĐÁNH GIÁ KẾT QUẢ 5.1 Đánh giá 5.1.1 Đánh giá nội mơ hình Đầu tiên tơi chia tập liệu để đánh giá riêng biệt Với bộ liệu (VidTIMIT & DeepfakeTIMIT), đợ xác thuật giải gần tuyệt đối (~97%) bộ liệu huấn luyện lớn Nhưng bên cạnh đó, bợ liệu (UADFV), đợ xác thấp (~75%) liệu hạn chế (49 video thật 49 video giả) hướng giải tơi khơng hoạt động tốt khuôn mặt người làm giả mơ hình DNN kết hợp với FakeAPP Để giải vấn đề trên, tơi tiến hành gợp tồn bợ liệu để h́n luyện mơ hình (các số liệu có bảng 4.8) Cách làm mang đến kết khả quan với đợ xác tập kiểm tra trung bình khoảng 88% giải vấn đề thiếu liệu tập tránh tượng học lệch mơ hình Ngồi ra, sử dụng mơ hình h́n luyện bợ liệu để dự đốn bợ liệu riêng biệt, đợ xác có tăng trưởng (các số liệu có bảng 4.9) Cụ thể, bợ liệu (VidTIMIT & DeepfakeTIMIT), đợ xác khơng có thay đổi nhiều Nhưng bợ liệu (UADFV), đợ xác có tăng nhẹ mơ hình SVM MLP (tăng khoảng 2%), mơ hình sử dụng mơ hình phân lớp Random Forest, đợ xác tăng mạnh từ khoảng 75% lên đến 90% 5.1.2 Đánh giá với mô hình giới Tơi tiến hành so sánh kết đạt với kết cập nhật nguồn [36] thể bảng 5.1 biểu đồ so sánh hình 5.1 69 Bảng 5.1 Kết mơ hình với bợ liệu giới DF-TIMIT UADFV Two-stream 83.5 85.1 Meso4 87.8 84.3 MesoInception4 80.4 82.1 HeadPose 55.1 89.0 FWA 99.9 97.4 VA-MLP 61.4 70.2 VA-LogReg 77.0 54.0 Xception-raw 56.7 80.4 Xception-c23 95.9 91.2 Xception-c40 75.8 83.6 Multi-task 62.2 65.8 Capsule 78.4 61.3 DSP-FWA 99.9 97.7 My-Model with RF 98.99 90.54 My-Model with SVM 96.33 78.62 My-Model with MLP 98.06 79.36 Với bợ liệu DF-TIMIT, mơ hình sử dụng RF MLP đạt đợ xác cao (~98%) mơ hình FWA DSP-FWA (99.9%), mơ hình sử dụng SVM đạt đợ xác 96.33% Với bợ liệu UADFV, mơ hình sử dụng SVM MLP đạt kết thấp 78.62% 79.36%, mơ hình khác thấp so với tất mơ hình cịn lại Nhưng bên cạnh đó, mơ hình sử dụng RF lại đạt kết khả quan với đợ xác 90.54% 70 Hình 5.1 So sánh kết mơ hình giới với mơ hình đưa 5.2 Nhận xét 5.2.1 Ưu điểm  Hướng đầu một đặc trưng tốt để phân lớp: việc giả mạo khuôn mặt với ý tưởng ghép khn mặt người vào khn đầu người khác nên hướng đầu có khác biệt tương đối, kết thực nghiệm khả quan minh chứng cho nhận xét  Kết thực nghiệm tốt: cho kết tốt liệu làm giả mơ hình faceswap-GAN khả quan kỹ thuật làm giả khác Ngồi ra, mơ hình cho kết khả quan với bộ liệu khác biệt 71  Mơ hình dự đốn tương đối nhanh: thời gian dự đoán gần với thời gian thực giúp cho mơ hình ứng dụng chạy real time với điều kiện mơ hình huấn luyện sẵn 5.2.2 Khuyết điểm  Mô hình phụ tḥc vào đợ xác phát khn mặt dự đốn điểm quan trọng khn mặt, nên có yếu tố làm giảm đợ xác bước (vd: đợ phân giải thấp, khung hình bị nhịe, ) làm ảnh hưởng đến kết mơ hình  Với khuôn mặt làm giả một vài bộ phận khuôn mặt (vd: ghép miệng) dẫn tới tư đầu khn mặt giả không lệch nhiều so với tư đầu khuôn mặt thật, mơ hình khơng phân biệt  Phần cài đặt phần mềm tương đối cồng kềnh với nhiều bước giải phức tạp  Thời gian xử lý liệu h́n luyện mơ hình tương đối lâu (~8 tiếng với bộ liệu VidTIMIT & DeepfakeTIMIT UADFV) 72 KẾT LUẬN Luận văn hoàn thành mục tiêu đặt đề xuất thuật giải phát khuôn mặt giả mạo video phương pháp phát sai lệch hướng hướng mặt hướng đầu Từ hỗ trợ hiệu cho việc phát video sử dụng ứng dụng giả mạo khuôn mặt Cụ thể luận văn đạt mợt số ý nghĩa có khoa học sau:  Giải toán phát giả mạo video với kết thực nghiệm tương đối khả quan  Tiếp cận hướng giải với tư tưởng gần dựa vào ý tưởng giả mạo khuôn mặt kết hợp với nhận xét chuyên gia hướng đầu  Kết hợp nhiều thuật tốn phân lớp khác để cao đợ xác mơ hình dự đốn Bài tốn phát khn mặt giả mạo video cịn nhiều thách thức Trong nghiên cứu tiếp theo, tập trung vào nợi dung sau:  Kết hợp với mơ hình RNN, LSTM để phát giả mạo dựa khung hình liên tiếp thay mợt khung hình xét Việc cải tiến giúp nhận biết thay đổi hướng đầu theo thời gian  Phát triển mợt giải thuật dự đốn tư đầu tốt dựa vào bộ phận khn mặt để phân vùng dự đốn Điều giúp phát giả mạo bộ phận thay phát giả mạo tồn bợ khn mặt  H́n luyện mơ hình bợ liệu đa dạng khn mặt giúp có mơ hình dự đốn xác với điều kiện đặc thù khác biệt  Phối hợp với trung tâm có uy tín thu thập liệu xác định tiêu chuẩn chất lượng để làm phong phú thêm tập liệu thực nghiệm phục vụ cho nghiên cứu  Phối hợp với chuyên gia nhằm tích hợp tri thức chuyên ngành vào thuận toán phát khuôn mặt giả mạo video mà luận văn đề x́t nhằm nâng cao chất lượng mơ hình 73 TÀI LIỆU THAM KHẢO [1] D O'Sullivan “Pentagons race against deepfakes.” Internet: https://edition cnn.com/interactive/2019/01/business/pentagons-race-against-deepfakes, Jun 30, 2021 [2] R Roy “Generative Adversarial Network (GAN).” Internet: https://www.geeksforgeeks.org/generative-adversarial-network-gan, Jun 30, 2021 [3] J Hui “How deep learning fakes videos (Deepfake) and how to detect it.” Internet: https://medium.com/@jonathan_hui/how-deep-learning-fakes-videos- deepfakes-and-how-to-detect-it-c0b50fbf7cb9, Jun 30, 2021 [4] D Guera and E J Delp “Deepfake Video Detection Using Recurrent Neural Networks,” IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS) Pp 1-6, 2018 [5] E Sabir et al “Recurrent Convolutional Strategies for Face Manipulation Detection in Videos,” Workshop on Applications of Computer Vision and Pattern Recognition to Media Forensics at CVPR 2019 [6] D Afchar et al “MesoNet: A Compact Facial Video Forgery Detection Net- work,” IEEE International Workshop on Information Forensics and Security (WIFS) Pp.1-7, 2018 [7] H Li et al “Detection of Deep Network Generated Images Using Disparities in Color Components.” Internet: https://arxiv.org/abs/1808.07276 [8] Y Li et al “In ictu Oculi: Exposing AI Generated Fake Face Videos by Detecting Eye Blinking.” Internet: https://arxiv.org/abs/1806.02877, Jun 30, 2021 [9] Y Li and S Lyu “Exposing DeepFake Videos By Detecting Face Warping Artifacts.” Computer Science Department, University at Albany, 2018 [Online] Available: https://arxiv.org/abs/1811.00656, Jun 30, 2021 [10] H H Nguyen et al “Capsule-forensics: Using Capsule Networks to Detect Forged Images and Videos,” IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) Pp.2307-2311, 2019 [11] Y Zhang et al “Automated face swapping and its detection,” IEEE 2nd 74 International Conference on Signal and Image Processing (ICSIP) Pp.15-19, 2017 [12] X Yang et al “Exposing Deep Fakes Using Inconsistent Head Poses,” IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) Pp 8261-8265, 2019 [13] S Mallick “Histogram of Oriented Gradients.” Internet: https://www.learnopencv.com/histogram-of-oriented-gradients, Jun 30, 2021 [14] A Rosebrock “Facial landmarks with dlib, OpenCV, and Python.” Internet: https://www.pyimagesearch.com/2017/04/03/facial-landmarks-dlib-opencv-python, Jun 30, 2021 “Levenberg-Marquardt [15] Stephanie Algorithm.” Internet: https://www.statisticshowto.datasciencecentral.com/levenberg-marquardtalgorithm, Jun 30, 2021 [16] K Simek “Dissecting the Camera Matrix, Part 3: The Intrinsic Matrix.” Internet: https://ksimek.github.io/2013/08/13/intrinsic/, Jun 30, 2021 [17] D King “Real-Time Face Pose Estimation.” Internet: https://blog.dlib.net/2014/08/real-time-face-pose-estimation.html, Jun 30, 2021 [18] V Kazemi and J Sullivan “One millisecond face alignment with an ensemble of regression trees,” IEEE Conference on Computer Vision and Pattern Recognition Pp.1867-1874, 2014 [19] A Rosebrock “Visualizing the 68 facial landmark coordinates from the iBUG 300-W dataset.” Internet: https://www.pyimagesearch.com/wp- content/uploads/2017/04/facial_landmarks_68markup.jpg, Jun 30, 2021 [20] V Le “Helen dataset.” Internet: https://www.ifp.illinois.edu/~vuongle2/helen, Jun 30, 2021 [21] R Hartley and A Zisserman Multiple View Geometry in Computer Vision, Second Edition Cambridge University Press, New York, 2003 [22] H Chrétien “Anamorphic format.” Internet: https://en.wikipedia.org/wiki/Anamorphic_format, Jun.30, 2021 [23] H P Gavin “The Levenberg-Marquardt algorithm for nonlinear least squares curve-fitting problems.” Internet: https://people.duke.edu/~hpgavin/ce281/lm.pdf, 75 Jun 30, 2021 [24] Lourakis and Manolis “A brief description of the Levenberg-Marquardt implemented algorithm by levmar.” Internet: https://web.eecs.utk.edu/~mjr/ECE505/Miscellaneous/levmar.pdf, Jun 30, 2021 [25] Vũ Hữu Tiệp “Bài 19: Support Vector Machine.” Internet: https://machinelearningcoban.com/2017/04/09/smv/, Jun 30, 2021 [26] S H Shwartz and S.B.David Understanding Machine Learning Cambridge University Press, United States of America, 2014 [27] Vũ Hữu Tiệp “Bài 14: Multi-layer Perceptron Backpropagation.” Internet: https://machinelearningcoban.com/2017/02/24/mlp, Jun 30, 2021 [28] M Grgic and K Delac “General Info.” Internet: https://www.facerec.org/general-info, Jun 30, 2021 [29] V Kazemi and J Sullivan “One Millisecond Face Alignment with an Ensemble of Regression Trees,” CVPR Pp 1867-1874, 2014 [30] C Sanderson “VidTIMIT.” Internet: https://conradsanderson.id.au/vidtimit, Jun 30, 2021 [31] C “DeepfakeTIMIT.” Sanderson Internet: https://www.idiap.ch/dataset/deepfaketimit, Jun 30, 2021 [32] Shaoanlu “faceswap-GAN.” Internet: https://github.com/shaoanlu/faceswapGAN, Jun 30, 2021 [33] Deepfakes “Faceswap.” Internet: https://github.com/deepfakes/faceswap, Jun 30, 2021 [34] Y Li “UADFV.” Internet: https://yuezunli.github.io, Jun 30, 2021 [35] Y Li et al “In ictu Oculi: Exposing AI Generated Fake Face Videos by Detecting Eye Blinking.” Internet: https://arxiv.org/abs/1806.02877, Jun 30, 2021 [36] Y Li et al “Celeb-DF: A New Dataset for DeepFake Forensics.” Internet: https://www.vertexdoc.com/doc/celeb-df-a-new-dataset-for-deepfake-forensics, Jun.30, 2021 [37] D A Forsyth and J Ponce Computer Vision: A Modern Approach, Forsyth and Ponce Pearson Eduacation, Prentice Hall, 2011 76 [38] A Rossler et al “FaceForensics++: Learning to Detect Manipulated Facial Images,” ICCV [Online] Available:https://arxiv.org/abs/1901.08971 [39] P Korshunov and S Marcel “DeepFakes: a New Threat to Face Recognition? Assessment and Detection,” CoRR [Online] Available: https://arxiv.org/abs/1812.08685 [40] C Sanderson and B.C Lovell “Multi-Region Probabilistic Histograms for Robust and Scalable Identity Inference,” Lecture Notes in Computer Science (LNCS) Vol 5558, pp 199-208, 2009 77 LÝ LỊCH TRÍCH NGANG CỦA HỌC VIÊN I LÝ LỊCH SƠ LƯỢC: Họ tên: Trần Hải Nam Giới tính: Nam Ngày, tháng, năm sinh: 26/7/1992 Nơi sinh: Gia Lai Email: namth_267@gmail.com Điện thoại: 0938170101 II QUÁ TRÌNH ĐÀO TẠO: Từ năm 2010 đến 2015: Học đại học Khoa Công nghệ Thông tin - Trường đại học công nghiệp thành phố Hồ Chí Minh Từ năm 2015 đến 2021: Học cao học Khoa Công nghệ Thông tin – Trường đại học Cơng nghiệp thành phố Hồ Chí Minh III Q TRÌNH CƠNG TÁC CHUN MƠN: Thời gian Nơi cơng tác Công việc đảm nhiệm 2018- Học viện Cán bộ Thành phố Chuyên viên Phòng Quản lý đào tạo XÁC NHẬN CỦA TP HCM, ngày… tháng … năm 2021 CƠ QUAN / ĐỊA PHƯƠNG Người khai Trần Hải Nam 78