|
عنوان
|
ارائه ی یک روش تشخیص جعل کپی-انتقال در تصاویر دیجیتال با استفاده از یادگیری عمیق
|
|
نوع پژوهش
|
مقاله ارائه شده
|
|
کلیدواژه‌ها
|
تشخیص جعل تصویر، جعل کپی-انتقال، یادگیری عمیق؛ف پردازش تصویر، استخراج ویژگی، شبکه ی عصبی پیچشی
|
|
چکیده
|
امروزه، ویدئو و تصاویر دیجیتال کاربردهای گسترده ای دارند؛ از حوزه ی سرگرمی و رسانه های اجتماعی گرفته تا احراز هویت، کاربردهای نظامی، حقوقی و جزائی. ابزارهای ویرایش این رسانه نیز آسان تر و پیشرفته تر شده و در دسترس افراد بیشتری قرار گرفته اند که کار جعل تصاویر را برای جاعلان نیز ساده تر می سازند. یکی از عمومی ترین روش های جعل تصاویر، روش کپی-انتقال است. در این روش، یک یا چند ناحیه از تصویر کپی شده (برش داده شده) و در جای دیگری از همان تصویر قرار می گیرد. همچنین جاعلان، عملیات پیش پردازشی و یا پس پردازشی زیادی از جمله دَوَران تصویر، فیلتر کردن، فشرده سازی، تغییر ابعاد و غیره را نیز روی نواحی دستکاری شده انجام می دهند تا تشخیص جعل به سختی ممکن شود. در سال های اخیر، روش های متعددی برای تشخیص چنین جعلی ارائه شده اند که هر یک نقاط ضعف و قوتی دارند، ولی به کارگیری الگوریتم های یادگیری عمیق و بهره گیری از پتانسیل های آن جهت رفع محدودیت های روش های فعلی کمتر مورد توجه پژوهش گران قرار گرفته است. در این پژوهش، یک رویکرد جدید برای رفع نقاط ضعف شناسایی شده در روش های فعلی و بهبود کارایی آنها ارائه می شود. روش پیشنهادی، مبتنی بر الگوریتم های یادگیری عمیق است. در این روش، از یک معماری شبکه ی عصبی عمیق جهت تشخیص نواحی محتمل عمل جعل کپی-انتقال در تصاویر استفاده می شود. طراحی و پیاده سازی معماری مورد نظر در این شبکه ی عصبی، با در نظر گرفتن ویژگی ها و محدودیت های خاص کاربرد مورد هدف انجام شده است. با توجه به سرعت عملکرد بسیار بالای شبکه های عصبی در مرحله ی کاربرد، سیستم پیشنهادی مشکل پیچیدگی محاسباتی رایج در این حوزه را به طور قابل توجهی رفع می کند طوری که عمل تشخیص را بر روی تصاویر با اندازه ی متعارف به طور بلادرنگ انجام می دهد. همچنین، بر خلاف اغلب روش های موجود، روش پیشنهادی نسبت به انواع مختلف حملات پیش پردازشی و پس پردازشی شناخته شده مقاوم است. آزمایشات انجام شده بر روی دیتاست های استاندارد CASIA و CoMoFoD نشان می دهد که روش پیشنهادی در مقایسه با سایر روش های موجود، عملکرد به مراتب بهتری دارد.
|
|
پژوهشگران
|
مهراد آریا (نفر اول)، مهدی هاشم زاده (نفر دوم)
|