تشخیص حملات عکس جعلی با استفاده از مدل DeepLabv۳

در سال های اخیر گسترش فناوری های مبتنی بر یادگیری عمیق موجب افزایش کیفیت و دسترس پذیری حملات جعل چهره شده است. این حملات به ویژه در حوزه های امنیتی و احراز هویت تهدیدی جدی برای سیستم های تشخیص هویت مبتنی بر چهره محسوب می شوند. پژوهش حاضر به ارائه رویکردی نوین برای تشخیص حملات عکس جعلی با بهره گیری از مدل قدرتمند DeepLabv۳ می پردازد. در روش پیشنهادی تصاویر مجموعه داده CASIA در دو دسته واقعی و جعلی مورد استفاده قرار گرفته و فرآیند Fine-Tuning بر روی مدل اعمال شده است. در تصاویر جعلی خروجی تقسیم بندی معنایی به صورت ماسک سیاه کامل و در تصاویر واقعی ناحیه چهره به صورت سفید روی پس زمینه مشکی برچسب گذاری گردید. مدل پیشنهادی پس از آموزش با تنظیمات بهینه شامل سایز ورودی ۵۲۰×۵۲۰ پیکسل، تعداد دوره ۳۰، نرخ یادگیری اولیه و اندازه دسته تصویر (۲۸)، نتایج قابل قبولی را به دست آورد. نتایج تجربی نشان داد که مدل DeepLabv۳ با رویکرد پیشنهادی توانست در معیارهای دقت، صحت، فراخوانی، F۱ و IoU عملکرد چشمگیری نسبت به روش های پیشین داشته باشد. این یافته ها نشان می دهد که استفاده از معماری های مبتنی بر تقسیم بندی معنایی عمیق می تواند راهکاری موثر برای مقابله با حملات عکس جعلی باشد و بستر مناسبی را برای توسعه سامانه های امن احراز هویت فراهم آورد.

کلیدواژه ها:

یادگیری عمیق ، تقسیم بندی معنایی ، Fine-Tuning ، DeepLabv۳ ، Face Anti-spoofing