結合最優種子數確定和基於SCE的數據增強的邏輯訪問攻擊檢測研究

摘要

近期在語音轉換和文本到語音技術的進步使得能夠產生聽起來自然的語音，這對自動說話人驗證系統（ASV）構成了挑戰。為了應對這一挑戰，研究界加強了對欺騙對策的研究，以保護ASV系統不受這些威脅的影響。盡管先進的欺騙對策能夠檢測已知類型的欺騙攻擊，但在訓練集中未出現的未知攻擊面前，它們的有效性會降低。在這項工作中，為了解決確定最佳基線和最佳種子數的挑戰，並確保我們和其他人能夠輕松地復製並可能增強結果，我們提出了一種確定最佳種子數的方法。在最佳基線的基礎上，我們提出了一種名為SCE的新型數據增強技術，該技術基於信號壓縮和擴展。具體來說，信號壓縮采用a-law和μ-law算法，而信號擴展則利用原始訓練集的24位和32位變體。我們認為，我們提出的方法通過SCE數據增強增強了檢測系統的魯棒性。我們的研究利用ASVspoof 2019邏輯訪問語料庫，並采用基於ResNet的系統。結果表明，SCE技術超過了許多領先單一系統的性能，展示了其在應對攻擊不可預測性方面的強大能力。值得註意的是，其t-DCF和EER指標分別達到了0.050和1.60%，這可以排名至今為止的前幾名系統。