تشخیص تصاویر دست کاری‌شده چهره با استفاده از تکنیک‌های یادگیری عمیق

ابزارهای پیشرفته و کم هزینه عصر دیجیتال این امکان را فراهم آورده است که به‌راحتی بتوان بر روی تصاویر دیجیتال تغییرات نامحسوس ایجاد کرده و دست‌کاری‌شان کرد. این کار باعث می شود که تشخیص اصالت تصویر دشوار شود. از همین رو در سال های اخیر پژوهشگران حوزه تصویر به ارائه روش های مختلفی جهت شناسایی تصاویر دستکاری‌شده و تفکیک آن-ها از تصاویر اصلی پرداختند. در سال های اخیر استفاده از تکنیک های یادگیری عمیق به‌عنوان کاربردی ترین روش ها در طبقه بندی داده ها مورداستفاده قرارگرفته است. شبکه های عصبی کانولوشنی ازجمله این تکنیک ها است. این دسته از شبکه‌های عصبی که مبتنی بر یادگیری عمیق ارائه‌شده‌اند نسبت به شبکه‌های عصبی معمولی به دلیل داشتن لایه‌های کانولوشن و مخفی بیشتر در زمینة کار با ورودی‌های بالاتر مانند تصاویر دارای توانمندی بیشتری هستند. یک معضل جدی در آموزش شبکه عصبی کانولوشن، به موضوع آموزش آن‌ها از ابتدا بازمی‌گردد این معضل ناشی از کمبود داده‌های طبقه‌بندی‌شده جهت آموزش و زمان‌بر بودن فرایند آموزش تا یک همگرایی مناسب است؛ بنابراین یک روش متداول برای آموزش شبکه‌های عصبی کانولوشن بر روی تصاویر چهره دستکاری‌شده، بر اساس باز تنظیم شبکه‌های از پیش آموزش‌یافته، می‌باشد. در این مقاله یک روش برای تفکیک تصاویر معرفی‌شده است که با استخراج ویژگی‌های مهم تصاویر برچسب‌گذاری می‌شوند. مدل پیشنهادی علاوه بر تعداد پارامتر و عمق کمتر، دارای دقت بیشتری نسبت به مدل‌های پیشین است.