تشخيص تصاوير سالم و جعل با استفاده از شبكه DenseNet و مفهوم يادگيري انتقالي

تشخيص جعل يكي از موضوعات چالش‌برانگيز در زمينه بينايي ماشين است. امروزه جعل تصوير، از طريق دستكاري تصوير با استفاده از ابزارهاي ويرايش متن به راحتي انجام مي‌شود. در جعل تصوير هدف تغيير دادن مفهوم تصوير با ثابت نگه‌داشتن حداكثري يكپارچگي بافت و ساختار تصوير است. يكي از ساده‌ترين و پركاربردترين روش‌هاي دستكاري، جعل كپي-انتقال است. در اين پژوهش هدف تشخيص تصاوير جعلي از تصاوير سالم با استفاده از يادگيري عميق است، براي اين منظور دو روش ارائه شده است. در روش اول از شبكه از پيش آموزش داده شده DenseNet121 و مفهوم يادگيري انتقالي استفاده شده است. در اين روش لايه‌هاي اوليه كه وظيفه استخراج لبه‌ها و نقاط كليدي را دارند بدون تغيير باقي مانده و در فرآيند آموزش شركت داده نشدند. لايه‌هاي پاياني شبكه به همراه يك لايه پولينگ سراسري و يك لايه كاملا متصل با يك نود و تابع سيگمويد با پايگاه داده مورد نظر در فرآيند آموزش شركت داده شدند. در روش پيشنهادي دوم، شبكه از پيش آموزش داده شده DenseNet121 به عنوان استخراج‌كننده ويژگي استفاده شده است. براي اين منظور از هر تصوير يك بردار ويژگي منحصر به فرد استخراج شده و در نهايت با استفاده از انواع الگوريتم‎‌هاي يادگيري ماشين تصاوير در دو دسته سالم و جعل طبقه‌بندي شدند. هر دو روش پيشنهادي بر روي پايگاه داده معروف CoMoFod ارزيابي شده‌اند. روش پيشنهادي اول با دقت 98.54 و صحت 98.36 و روش پيشنهادي دوم به همراه الگوريتم جنگل تصادفي با دقت 98.26 و صحت 98.21 عملكرد رضايت‌بخش هر دو روش را نشان مي‌دهد.