تشخیص تصاویر سالم و جعل با استفاده از شبکه DenseNet و مفهوم یادگیری انتقالی

تشخیص جعل یکی از موضوعات چالش برانگیز در زمینه بینایی ماشین است. امروزه جعل تصویر، از طریق دستکاری تصویر با استفاده از ابزارهای ویرایش متن به راحتی انجام می شود. در جعل تصویر هدف تغییر دادن مفهوم تصویر با ثابت نگهداشتن حداکثری یکپارچگی بافت و ساختار تصویر است. یکی از ساده ترین و پرکاربردترین روش های دستکاری، جعل کپی- انتقال است. در این پژوهش هدف تشخیص تصاویر جعلی از تصاویر سالم با استفاده از یادگیری عمیق است، برای این منظور دو روش ارائه شده است. در روش اول از شبکه از پیش آموزش داده شده DenseNet۱۲۱ و مفهوم یادگیری انتقالی استفاده شده است. در این روش لایه های اولیه که وظیفه استخراج لبه ها و نقاط کلیدی را دارند بدون تغییر باقی مانده و در فرآیند آموزش شرکت داده نشدند. لایه های پایانی شبکه به همراه یک لایه پولینگ سراسری و یک لایه کاملا متصل با یک نود و تابع سیگموید با پایگاه داده مورد نظر در فرآیند آموزش شرکت داده شدند. در روش پیشنهادی دوم، شبکه از پیش آموزش داده شده DenseNet۱۲۱ به عنوان استخراج کننده ویژگی استفاده شده است. برای این منظور از هر تصویر یک بردار ویژگی منحصر به فرد استخراج شده و در نهایت با استفاده از انواع الگوریتم های یادگیری ماشین تصاویر در دو دسته سالم و جعل طبقه بندی شدند. هر دو روش پیشنهادی بر روی پایگاه داده معروف CoMoFod ارزیابی شده اند. روش پیشنهادی اول با دقت ۹۸.۵۴ و صحت ۹۸.۳۶ و روش پیشنهادی دوم به همراه الگوریتم جنگل تصادفی با دقت ۹۸.۲۶ و صحت ۹۸.۲۱ عملکرد رضایت بخش هر دو روش را نشان می دهد

Keywords:

جعل تصویر , یادگیری انتقالی , شبکه از پیش آموزش داده شده , شبکه DenseNe