Cet article présente une approche basée sur les correctifs et préservant la confidentialité pour pallier le manque de données dans la détection des falsifications d'identité. Pour surmonter les limites des études précédentes qui ne pouvaient pas utiliser de jeux de données publics pour des raisons de confidentialité, nous proposons une nouvelle méthode de détection des falsifications, appelée FakeIDet, utilisant des images de correctifs de cartes d'identité réelles. Nous explorons le compromis entre performance et confidentialité en expérimentant deux niveaux d'anonymisation (anonymisation totale et partielle) et différentes tailles de correctifs, en utilisant le Vision Transformer et un modèle de base comme base. Les résultats expérimentaux démontrent d'excellentes performances sur le jeu de données DLC-2021, atteignant un taux d'erreur égal (EER) de 13,91 % et 0 % pour les cartes d'identité complètes et les correctifs, respectivement. De plus, nous publions le jeu de données public FakeIDet-db, contenant 48 400 images de correctifs, établissant ainsi les bases de recherches futures.
