|
Title
|
یک رویکرد مبتنی بر یادگیری عمیق جهت تشخیص جعل کپی-انتقال در تصاویر دیجیتال
|
|
Type of Research
|
Thesis
|
|
Keywords
|
تشخیص جعل تصویر، کپی-انتقال، یادگیری عمیق، پردازش تصویر، استخراج ویژگی، شبکه ی عصبی پیچشی
|
|
Abstract
|
امروزه در عصر اطلاعات و فناوری های نوین، ویدئو و تصاویر دیجیتال کاربردهای گسترده ای دارند؛ از حوزه ی سرگرمی و اشتراک گذاری اطلاعات گرفته تا تشخیص هویت، کاربردهای نظامی، قانون و جزا، صنعت، پزشکی و موارد بسیار دیگر. از طرفی اکثر مردم امکان ثبت و به اشتراک گذاری تصاویر دیجیتال را دارند؛ ابزارهای ویرایش این اسناد و دوربین های دیجیتال همواره آسان تر و پیشرفته تر شده و در دسترس افراد بیشتری قرار می گیرد و این مهم کار را برای جاعلان نیز ساده تر می سازد. دستکاری یک تصویر ممکن است موجب تغییر شگرف در محتوا و مضمون آن شود. در نتیجه این پدیده موجب کاهش اطمینان نسبت به صحت تصاویر شده است، که به ویژه در مراجع قضایی و مطبوعات بسیار اثرگذار است. لذا به ابزار هایی نیاز است که بتوانند تغییرات احتمالی انجام شده را آشکار سازند. یکی از عمومی ترین روش های جعل که مورد توجه پژوهشگران زیادی قرار گرفته، جعل کپی-انتقال است. در این روش، یک یا چند ناحیه از تصویر کپی شده و معمولاً پس از تغییراتی، در جای دیگری از همان تصویر قرار داده می شوند. جاعلان عملیات پیش و یا پس پردازشی زیادی از جمله چرخش تصویر، فیلتر کردن، فشرده سازی، تغییر ابعاد و غیره روی این نواحی انجام می دهند. بنابرین روش تشخیص باید نسبت به این قبیل تغییرات و تبدیلات هندسی مقاوم باشد. برای تشخیص این نوع جعل، بلوک های کوچکی از تصویر شباهت سنجی می شوند. بدین منظور، روش های متعددی در این حوزه پیشنهاد شده اند، که علیرغم تعدادشان پیرو دو رویکرد عمومی هستند. روش های مبتنی بر بلوک بندی که تمام بلوک های تصویر را مورد بررسی قرار می دهند، و روش های مبتنی بر نقاط کلیدی که بیشتر بر روی نواحی پر اطلاعات تمرکز دارند.
در سال های اخیر، جامعه ی علمی، علاقه مندی چشمگیر خود را نسبت به حوزه ی تشخیص جعل تصاویر دیجیتالی ابراز نموده است ولی پژوهش در حوزه ی یادگیری ماشین خصوصا شبکه های عصبی عمیق به نوعی قدم برداشتن در لبه های مرز دانش محسوب می شود، چرا که این حوزه ی خاص از هوش مصنوعی با توجه ویژه به خودکارسازی و یادگیری بسیار مورد توجه و امید بخش است. رویکرد یادگیری عمیق در این مسئله پتانسیل کارایی بالایی دارد، از این رو که نه تنها مشکل پیچیدگی محاسباتی را پوشش می دهد بلکه نسبت به اعمال پیش و پس پردازشی نیز مقاوم است.
|
|
Researchers
|
Mehrad Aria (Student)، Mahdi Hashemzadeh (Primary Advisor)، Nacer Farajzadeh (Advisor)
|