محققان دانشگاه ایالتی نیویورک در کره اخیراً روشهای جدیدی را برای کشف هر دو ماشین جعلی و تصاویر جعلی از چهره ها کشف کرده اند. در مقاله خود ، که در کتابخانه دیجیتال ACM منتشر شده است ، محققان از روشهای گروه برای تشخیص تصاویر ایجاد شده توسط شبکه های مخالف مولد (GAN) استفاده کرده و از تکنیک های پیش پردازش برای بهبود تشخیص تصاویر ایجاد شده توسط انسانها با استفاده از فتوشاپ استفاده کرده اند.
در طی چند سال گذشته ، پیشرفت های چشمگیر در پردازش تصویر و یادگیری ماشین باعث تولید تصاویر جعلی و در عین حال بسیار واقع گرایانه شده است. با این حال ، این تصاویر همچنین می توانند برای ایجاد هویت های جعلی ، اخبار جعلی تر قانع کننده تر ، دور زدن الگوریتم های تشخیص تصویر یا ابزارهای تشخیص احمقانه مورد استفاده قرار گیرند.
شاهروز طارق ، یکی از محققانی که این تحقیق را انجام داده است ، گفت: "تصاویر صورت جعلی اکنون مدتهاست که موضوع تحقیق بوده اند ، اما مطالعات عمدتاً بر عکسهای ساخته شده توسط انسانها و استفاده از ابزارهای فتوشاپ متمرکز شده است." "اخیراً ، مطالعهای توسط كراس و همكاران نشان داد كه یك شبكه مخالف مولد (GAN) می تواند تصاویر واقع بینانه ای از چهره انسان تولید كند. مردم می توانند از این عکس ها به طور مخرب استفاده كنند ، به عنوان مثال ، برای ایجاد شناسه های جعلی در اینترنت."
محور تحقیقاتی که توسط طارق و همکارانش انجام شده ، شناسایی هر دو عکس جعلی از چهره های رایانه ای و ایجاد شده توسط انسان با استفاده از تکنیک های یادگیری عمیق بود. برای این کار ، آنها یک طبقه بندی کننده شبکه عصبی تهیه کردند و آن را بر روی مجموعه ای از تصاویر واقعی و جعلی آموزش دادند.
تصویر از مجموعه داده CelebA. اعتبار: لیو و همکاران.
طارق گفت: "طبقه بندی کننده شبکه عصبی با بررسی یک بانک اطلاعاتی گسترده از تصاویر جعلی و واقعی ، ویژگی های تمایز بین تصاویر واقعی و جعلی را می آموزد."
این طبقه بندی به جای تجزیه و تحلیل ابرداده تصاویر ، روی محتوای تصویر تمرکز دارد. در آزمایشات مقدماتی ، نتایج قابل توجهی حاصل شد ، و هر دو تصویر جعلی از چهره های GAN و انسانی ایجاد شده از چهره ها با دقت 94 درصد را تشخیص دادند.
طارق گفت: "حتی اگر تصاویر تولید شده توسط رایانه از نگاه انسان بسیار واقع بینانه به نظر برسند ، طبقه بندی کننده شبکه عصبی قادر به مشاهده اختلافات دقیقه ای بود ، که به آن امکان طبقه بندی صحیح تصاویر را می داد." "ما همچنین دریافتیم که عکسهای جعلی ایجاد شده توسط انسانها با استفاده از ابزارهای فتوشاپ ، تشخیص بسیار سخت تر است ، زیرا تغییرات احتمالی زیادی وجود دارد."
تصویر واقعی اعتبار: طارق و همکاران.
در آینده ، طبقه بندیگر تولید شده توسط Tariq و همکارانش می توانند به شناسایی تصاویر جعلی ، تولید شده توسط GANs یا توسط انسانها با استفاده از نرم افزارهای ویرایش گرافیک ، مانند فتوشاپ کمک کنند. محققان اکنون قصد دارند تا طبقهبندی خود را بیشتر توسعه دهند و آن را در ماشینهای بیشتر و تصاویر تولید شده توسط انسان آموزش دهند.
تصویر فتوشاپ اعتبار: طارق و همکاران.
طارق توضیح داد: هرچه روش های تولید تصاویر مصنوعی پیچیده تر می شوند ، عکس های تولید شده با این روش ها واقع بینانه تر می شوند و تشخیص طبقه بندی شبکه عصبی برای تشخیص تفاوت های آنها دشوار خواهد بود. ما از این رو می خواهیم به بهبود روشهای خود ادامه دهیم تا چنین عکسهایی را بهتر تشخیص دهیم. "
http://bookmarkbirth.com/story5532517/پمپ-وکیوم-آبی
محققان دانشگاه ایالتی نیویورک در کره اخیراً روشهای جدیدی را برای کشف هر دو ماشین جعلی و تصاویر جعلی از چهره ها کشف کرده اند. در مقاله خود ، که در کتابخانه دیجیتال ACM منتشر شده است ، محققان از روشهای گروه برای تشخیص تصاویر ایجاد شده توسط شبکه های مخالف مولد (GAN) استفاده کرده و از تکنیک های پیش پردازش برای بهبود تشخیص تصاویر ایجاد شده توسط انسانها با استفاده از فتوشاپ استفاده کرده اند.
در طی چند سال گذشته ، پیشرفت های چشمگیر در پردازش تصویر و یادگیری ماشین باعث تولید تصاویر جعلی و در عین حال بسیار واقع گرایانه شده است. با این حال ، این تصاویر همچنین می توانند برای ایجاد هویت های جعلی ، اخبار جعلی تر قانع کننده تر ، دور زدن الگوریتم های تشخیص تصویر یا ابزارهای تشخیص احمقانه مورد استفاده قرار گیرند.
شاهروز طارق ، یکی از محققانی که این تحقیق را انجام داده است ، گفت: "تصاویر صورت جعلی اکنون مدتهاست که موضوع تحقیق بوده اند ، اما مطالعات عمدتاً بر عکسهای ساخته شده توسط انسانها و استفاده از ابزارهای فتوشاپ متمرکز شده است." "اخیراً ، مطالعهای توسط كراس و همكاران نشان داد كه یك شبكه مخالف مولد (GAN) می تواند تصاویر واقع بینانه ای از چهره انسان تولید كند. مردم می توانند از این عکس ها به طور مخرب استفاده كنند ، به عنوان مثال ، برای ایجاد شناسه های جعلی در اینترنت."
محور تحقیقاتی که توسط طارق و همکارانش انجام شده ، شناسایی هر دو عکس جعلی از چهره های رایانه ای و ایجاد شده توسط انسان با استفاده از تکنیک های یادگیری عمیق بود. برای این کار ، آنها یک طبقه بندی کننده شبکه عصبی تهیه کردند و آن را بر روی مجموعه ای از تصاویر واقعی و جعلی آموزش دادند.
تصویر از مجموعه داده CelebA. اعتبار: لیو و همکاران.
طارق گفت: "طبقه بندی کننده شبکه عصبی با بررسی یک بانک اطلاعاتی گسترده از تصاویر جعلی و واقعی ، ویژگی های تمایز بین تصاویر واقعی و جعلی را می آموزد."
این طبقه بندی به جای تجزیه و تحلیل ابرداده تصاویر ، روی محتوای تصویر تمرکز دارد. در آزمایشات مقدماتی ، نتایج قابل توجهی حاصل شد ، و هر دو تصویر جعلی از چهره های GAN و انسانی ایجاد شده از چهره ها با دقت 94 درصد را تشخیص دادند.
طارق گفت: "حتی اگر تصاویر تولید شده توسط رایانه از نگاه انسان بسیار واقع بینانه به نظر برسند ، طبقه بندی کننده شبکه عصبی قادر به مشاهده اختلافات دقیقه ای بود ، که به آن امکان طبقه بندی صحیح تصاویر را می داد." "ما همچنین دریافتیم که عکسهای جعلی ایجاد شده توسط انسانها با استفاده از ابزارهای فتوشاپ ، تشخیص بسیار سخت تر است ، زیرا تغییرات احتمالی زیادی وجود دارد."
تصویر واقعی اعتبار: طارق و همکاران.
در آینده ، طبقه بندیگر تولید شده توسط Tariq و همکارانش می توانند به شناسایی تصاویر جعلی ، تولید شده توسط GANs یا توسط انسانها با استفاده از نرم افزارهای ویرایش گرافیک ، مانند فتوشاپ کمک کنند. محققان اکنون قصد دارند تا طبقهبندی خود را بیشتر توسعه دهند و آن را در ماشینهای بیشتر و تصاویر تولید شده توسط انسان آموزش دهند.
تصویر فتوشاپ اعتبار: طارق و همکاران.
طارق توضیح داد: هرچه روش های تولید تصاویر مصنوعی پیچیده تر می شوند ، عکس های تولید شده با این روش ها واقع بینانه تر می شوند و تشخیص طبقه بندی شبکه عصبی برای تشخیص تفاوت های آنها دشوار خواهد بود. ما از این رو می خواهیم به بهبود روشهای خود ادامه دهیم تا چنین عکسهایی را بهتر تشخیص دهیم. "
http://bookmarkbirth.com/story5532517/پمپ-وکیوم-آبی
تشخیص تصاویر صورت جعلی ایجاد شده توسط انسان و ماشین