تشخیص دیپ فیک در تصویر با استفاده از مدل ترکیبی مبتنی بر شبکه عصبی کانولوشنی عمیق

پیشرفت های اخیر در حوزه هوش مصنوعی و به خصوص یادگیری عمیق در بسیاری از زمینه ها منجر به کسب نتایج چشمگیری گردیده است با این حال در برخی زمینه ها نیز این پیشرفتها حریم خصوصی افراد را مورد تهدید قرار داده اند به عنوان ،نمونه یکی از الگوریتمهای کاربردی مبتنی بر یادگیری عمیق که اخیراً ظهور کرده است دیپ فیک میباشد. الگوریتم های دیپ فیک می توانند تصاویر و ویدیوهای جعلی ایجاد کنند که انسانها نمیتوانند آنها را از نمونه های واقعی تشخیص دهند در این راستا ارائه مدلها و الگوریتم هایی که بتوانند به طور خودکار داده های واقعی را از داده های جعلی تشخیص دهند ضروری به نظر می رسد در سالهای اخیر مطالعات زیادی برای درک نحوه عملکرد دیپ فیکها انجام شده است و روشهای بسیاری مبتنی بر یادگیری عمیق برای شناسایی ویدیوها یا تصاویر تولید شده توسط دیپ فیک و نیز تمایز آنها از تصاویر واقعی معرفی شده است به منظور بهبود دقت تشخیص دیپ فیک و نیز استفاده همزمان از قابلیت های انواع مختلف شبکه های عصبی کانولوشنی در این ،مقاله یک مدل ترکیبی با استفاده از چهار شبکه عصبی کانولوشنی ارائه میگردد با تکیه بر قابلیت های بالای این شبکه ها در استخراج ویژگی های موثر از تصویر ورودی مدل پیشنهادی قادر به تشخیص همزمان جعلی یا واقعی بودن تصویر ورودی توسط این چهار مدل می باشد نتایج ارائه شده بر روی سه پایگاه داده 140k real dfdc faces and fake faces و deepfake and real images به ترتیب برابر با 99.12%، 96.24% و %9880 می باشد که نشان دهنده میزان 2.42% ، %9.72 و %55 0 بهبود در نتایج نسبت به مدلهای موجود می باشد.

deepfake image detection using a deep hybrid convolutional neural network

recent advances in the field of artificial intelligence, particularly in deep learning, have led to significant achievements in various domains. however, in some areas, these advancements have posed threats to individuals' privacy. for instance, one emerging application based on deep learning is deepfake. deepfake algorithms can generate synthetic images and videos that humans cannot distinguish from real ones. in this context, it becomes imperative to introduce models and algorithms capable of automatically differentiating between real and fake data. in recent years, numerous studies have been conducted to understand the functioning of deepfakes, and various deep learning-based methods have been introduced to identify and distinguish videos or images generated by deepfakes from real ones. to enhance the accuracy of deepfake detection and concurrently leverage the capabilities of different types of convolutional neural networks, this paper proposes a hybrid model using four convolutional neural networks. relying on the high capabilities of these networks in extracting effective features from the input image, the proposed model can simultaneously discern the authenticity of the input image through the collaboration of these four models. the presented results on three databases, namely 140k real and fake faces, dfdc faces, and deepfake and real images, demonstrate accuracies of 99.12%, 96.24%, and 98.80%, respectively. these results indicate an improvement of 2.42%, 9.72%, and 0.55% compared to existing models.