تشخیص تصاویر دست کاری شده چهره با استفاده از تکنیک های یادگیری عمیق

ابزارهای پیشرفته و کم هزینه عصر دیجیتال این امکان را فراهم آورده است که به راحتی بتوان بر روی تصاویر دیجیتال تغییرات نامحسوس ایجاد کرده و دست کاری شان کرد. این کار باعث می شود که تشخیص اصالت تصویر دشوار شود. از همین رو در سال های اخیر پژوهشگران حوزه تصویر به ارائه روشهای مختلفی جهت شناسایی تصاویر دستکاری شده و تفکیک آنها از تصاویر اصلی پرداختند. در سالهای اخیر استفاده از تکنیک های یادگیری عمیق به عنوان کاربردی ترین روش ها در طبقه بندی دادهها مورداستفاده قرارگرفته است. شبکه های عصبی کانولوشنی از جمله این تکنیک ها است. این دسته از شبکه های عصبی که مبتنی بر یادگیری عمیق ارائه شده اند نسبت به شبکه های عصبی معمولی به دلیل داشتن لایه های کانولوشن و مخفی پیشتر در زمینه کار با ورودی های بالاتر مانند تصاویر دارای توانمندی بیشتری هستند. یک معضل جدی در آموزش شبکه عصبی کانولوشن، به موضوع آموزش آنها از ابتدا بازمی گردد این معضل ناشی از کمبود داده های طبقه بندی شده جهت آموزش و زمان بر بودن فرایند آموزش تا یک همگرایی مناسب است؛ بنابراین یک روش متداول برای آموزش شبکه های عصبی کانولوشن بر روی تصاویر چهره دستکاری شده، بر اساس باز تنظیم شبکه های از پیش آموزش بافته، می باشد. در این مقاله یک روش برای تفکیک تصاویر معرفی شده است که با استخراج ویژگی های مهم تصاویر برچسب گذاری می شوند. مدل پیشنهادی علاوه بر تعداد پارامتر و عمق کمتر، دارای دقت بیشتری نسبت به مدل های پیشین است.

کلیدواژه ها:

دست کاری چهره ، تشخیص دست کاری چهره ، شبکه عصبی عمیق ، شبکه عصبی کانولوشن