13921

رويكردهاي مختلف يادگيري عميق براي تشخيص ويدئوهاي جعلي چهره

1402

محسن سرياني

محمدرضا محمدي

در سال‌هاي اخير، به دليل رشد شبكه‌هاي اجتماعي نظير فيسبوك، اينستاگرام و ساير پلتفرم‌ها، حجم داده‌هاي تصويري چندين برابر افزايش يافته است. با پيشرفت فناوري‌هاي يادگيري عميق و شبكه‌هاي مولد رقابتي، امكان توليد تصاوير و ويدئوهاي جعلي به‌گونه‌اي فراهم شده كه به طرز شگفت‌آوري واقع‌گرايانه به نظر مي‌رسند. اين تصاوير اغلب به‌گونه‌اي ساخته شده‌اند كه تشخيص تفاوت آن‌ها با تصاوير واقعي براي افراد عادي و حتي برخي سيستم‌هاي موجود دشوار است. رشد فزاينده اين نوع محتوا مي‌تواند مخاطرات جدي را در بر داشته باشد، از جمله ايجاد بي‌نظمي‌هاي اجتماعي، تخريب اعتبار اشخاص و سازمان‌ها و گسترش اطلاعات غلط در رسانه‌هاي عمومي. در اين سمينار به بررسي مدل‌هاي يادگيري عميق براي شناسايي ويدئوهاي جعلي، پرداخته مي‌شود. مدل‌هايي كه در چند سال اخير در مسئله شناسايي ويدئوهاي جعلي بيشتر مورد توجه بوده است، مانند شبكه‌هاي عصبي كانولوشني، شبكه‌هاي عصبي بازگشتي و يا انواع ترنسفورمر. با وجود عملكرد عالي اين مدل‌هاي يادگيري عميق در تشخيص محتواي جعلي روي داده‌هاي آموزشي خاص، مشكل اصلي آن‌ها در تعميم‌پذيري و دقت در مواجهه با داده‌هاي ناآشنا و در سناريوهاي واقعي است. در واقع، اين مدل‌ها ممكن است در شرايطي كه با داده‌هاي خارج از محدوده آموزشي مواجه مي‌شوند، دقت كافي نداشته باشند. به‌طور كلي، نياز به روش‌هايي وجود دارد كه علاوه بر دقت بالا در شناسايي محتواي جعلي در محيط‌هاي آموزشي، توانايي تعميم‌پذيري بالاتري در شرايط واقعي و پيچيده را داشته باشند. به نظر مي‌رسد با ايجاد مجموعه داده جامع براي آموزش مدل‌هاي يادگيري عميق و يا تركيب اين مدل‌ها با يكديگر بتوان تعميم پذيري مسئله شناسايي ويدئوهاي جعلي را بالابرد.

10/2/2024 12:00:00 AM

84219

1403/07/30

Different Deep Learning Approaches for Deepfake Face Video Detection

يادگيري عميق , شبكه‌هاي مولد رقابتي , جعل عميق , محتواي دستكاري شده , شناسايي ويدئوهاي جعلي

deep learning , generative adversarial networks , deepfake , manipulated content , fake video detection