تشخیص تصاویر سالم و جعل با استفاده از شبکه densenet و مفهوم یادگیری انتقالی

تشخیص جعل یکی از موضوعات چالش‌برانگیز در زمینه بینایی ماشین است. امروزه جعل تصویر، از طریق دستکاری تصویر با استفاده از ابزارهای ویرایش متن به راحتی انجام می‌شود. در جعل تصویر هدف تغییر دادن مفهوم تصویر با ثابت نگه‌داشتن حداکثری یکپارچگی بافت و ساختار تصویر است. یکی از ساده‌ترین و پرکاربردترین روش‌های دستکاری، جعل کپی-انتقال است. در این پژوهش هدف تشخیص تصاویر جعلی از تصاویر سالم با استفاده از یادگیری عمیق است، برای این منظور دو روش ارائه شده است. در روش اول از شبکه از پیش آموزش داده شده densenet121 و مفهوم یادگیری انتقالی استفاده شده است. در این روش لایه‌های اولیه که وظیفه استخراج لبه‌ها و نقاط کلیدی را دارند بدون تغییر باقی مانده و در فرآیند آموزش شرکت داده نشدند. لایه‌های پایانی شبکه به همراه یک لایه پولینگ سراسری و یک لایه کاملا متصل با یک نود و تابع سیگموید با پایگاه داده مورد نظر در فرآیند آموزش شرکت داده شدند. در روش پیشنهادی دوم، شبکه از پیش آموزش داده شده densenet121 به عنوان استخراج‌کننده ویژگی استفاده شده است. برای این منظور از هر تصویر یک بردار ویژگی منحصر به فرد استخراج شده و در نهایت با استفاده از انواع الگوریتم‎‌های یادگیری ماشین تصاویر در دو دسته سالم و جعل طبقه‌بندی شدند. هر دو روش پیشنهادی بر روی پایگاه داده معروف comofod ارزیابی شده‌اند. روش پیشنهادی اول با دقت 98.54 و صحت 98.36 و روش پیشنهادی دوم به همراه الگوریتم جنگل تصادفی با دقت 98.26 و صحت 98.21 عملکرد رضایت‌بخش هر دو روش را نشان می‌دهد.