تشخيص ديپ فيك در تصوير با استفاده از مدل تركيبي مبتني بر شبكه عصبي كانولوشني عميق

پيشرفت هاي اخير در حوزه هوش مصنوعي و به خصوص يادگيري عميق در بسياري از زمينه ها منجر به كسب نتايج چشمگيري گرديده است با اين حال در برخي زمينه ها نيز اين پيشرفتها حريم خصوصي افراد را مورد تهديد قرار داده اند به عنوان ،نمونه يكي از الگوريتمهاي كاربردي مبتني بر يادگيري عميق كه اخيراً ظهور كرده است ديپ فيك ميباشد. الگوريتم هاي ديپ فيك مي توانند تصاوير و ويديوهاي جعلي ايجاد كنند كه انسانها نميتوانند آنها را از نمونه هاي واقعي تشخيص دهند در اين راستا ارائه مدلها و الگوريتم هايي كه بتوانند به طور خودكار داده هاي واقعي را از داده هاي جعلي تشخيص دهند ضروري به نظر مي رسد در سالهاي اخير مطالعات زيادي براي درك نحوه عملكرد ديپ فيكها انجام شده است و روشهاي بسياري مبتني بر يادگيري عميق براي شناسايي ويديوها يا تصاوير توليد شده توسط ديپ فيك و نيز تمايز آنها از تصاوير واقعي معرفي شده است به منظور بهبود دقت تشخيص ديپ فيك و نيز استفاده همزمان از قابليت هاي انواع مختلف شبكه هاي عصبي كانولوشني در اين ،مقاله يك مدل تركيبي با استفاده از چهار شبكه عصبي كانولوشني ارائه ميگردد با تكيه بر قابليت هاي بالاي اين شبكه ها در استخراج ويژگي هاي موثر از تصوير ورودي مدل پيشنهادي قادر به تشخيص همزمان جعلي يا واقعي بودن تصوير ورودي توسط اين چهار مدل مي باشد نتايج ارائه شده بر روي سه پايگاه داده 140k Real DFDC Faces and Fake Faces و Deepfake and Real Images به ترتيب برابر با ۹۹.۱۲%، ۹۶.۲۴% و %۹۸۸۰ مي باشد كه نشان دهنده ميزان ۲.۴۲% ، %۹.۷۲ و %۵۵ ۰ بهبود در نتايج نسبت به مدلهاي موجود مي باشد.