ستار شاكر محمد الكشف عن الوجوه المزيفة باستخدام خوارزميات التعلم العميق المديرية العامة للتربية في محافظة ذي قار، العراق ، ذي قار
محتوى المقالة الرئيسي
الملخص
الملخص:
مع التطور السريع لتقنيات توليد الوجوه في السنوات الأخيرة، أصبحت هذه التقنيات قادرة على إنشاء صور واقعية مذهلة للوجوه البشرية، مما يطمس الحدود بين الحقيقي والمزيف، ويجعل من الصعب على الناس التمييز بينهما. ورغم استخداماتها الإيجابية في مجالات مثل التعليم والترفيه والفنون وإنشاء محتوى هادف، إلا أن احتمالية إساءة استخدام هذه التقنيات عالية جدًا، لا سيما على وسائل التواصل الاجتماعي. قد يؤدي ذلك إلى انتشار معلومات زائفة ومضللة تهدد الثقة في المحتوى الرقمي، مثل استخدام الوجوه المزيفة في الاحتيال الإلكتروني أو انتحال الهوية. وهذا يستدعي تطوير حلول فعالة لكشفها. تقترح هذه الورقة البحثية نظامًا لتصنيف صور الوجوه باستخدام خوارزميات الشبكات العصبية الالتفافية (CNN). نظرًا لفشل أنظمة التعلم الآلي التقليدية، التي تعتمد على استخراج الميزات يدويًا، وظهور أنماط أكثر تعقيدًا يصعب فهمها أو تمثيلها بسهولة، فإن هذه الأنظمة غير قادرة على التعميم على بيانات غير مرئية. علاوة على ذلك، تتأثر هذه الأنظمة بالتغيرات في البيانات أو التشويش، مما يضعف أدائها. حقق نظامنا نتائج ممتازة، حيث بلغ متوسط دقة التنبؤ 99.89% على مجموعة بيانات rvf10k. هذه الدقة العالية تجعله بديلاً جيداً للأنظمة السابقة.
تفاصيل المقالة
القسم
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
[1] Y. Li, X. Yang, P. Sun, H. Qi, and S. Lyu, “Celeb-DF: A Large-Scale Challenging Dataset for DeepFake Forensics,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., pp. 3204–3213, 2020, doi: 10.1109/CVPR42600.2020.00327.
[2] S. Minaee, A. Abdolrashidi, H. Su, M. Bennamoun, and D. Zhang, “Biometrics Recognition Using Deep Learning: A Survey,” 2019, [Online]. Available: http://arxiv.org/abs/1912.00271
[3] T. Reiss, B. Cavia, and Y. Hoshen, “Detecting Deepfakes Without Seeing Any,” pp. 1–16, 2023, [Online]. Available: http://arxiv.org/abs/2311.01458
[4] L. Guarnera, O. Giudice, and S. Battiato, “DeepFake detection by analyzing convolutional traces,” IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. Work., vol. 2020-June, pp. 2841–2850, 2020, doi: 10.1109/CVPRW50498.2020.00341.
[5] S. Y. Wang, O. Wang, R. Zhang, A. Owens, and A. A. Efros, “CNN-Generated Images Are Surprisingly Easy to Spot.. For Now,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., pp. 8692–8701, 2020, doi: 10.1109/CVPR42600.2020.00872.
[6] C. Rathgeb, K. Bernardo, N. E. Haryanto, and C. Busch, “Effects of image compression on face image manipulation detection: A case study on facial retouching,” IET Biometrics, vol. 10, no. 3, pp. 342–355, 2021, doi: 10.1049/bme2.12027.
[7] W. H. Abir et al., “Detecting Deepfake Images Using Deep Learning Techniques and Explainable AI Methods,” Intell. Autom. Soft Comput., vol. 35, no. 2, pp. 2151–2169, 2023, doi: 10.32604/iasc.2023.029653.
[8] Y. Li, M. C. Chang, and S. Lyu, “In Ictu Oculi: Exposing AI created fake videos by detecting eye blinking,” 10th IEEE Int. Work. Inf. Forensics Secur. WIFS 2018, 2018, doi: 10.1109/WIFS.2018.8630787.
[9] D. Afchar, V. Nozick, J. Yamagishi, and I. Echizen, “MesoNet: A compact facial video forgery detection network,” 10th IEEE Int. Work. Inf. Forensics Secur. WIFS 2018, 2018, doi: 10.1109/WIFS.2018.8630761.
[10] F. Matern, C. Riess, and M. Stamminger, Exploiting Visual Artifacts to Expose Deepfakes and Face Manipulations. 2019. doi: 10.1109/WACVW.2019.00020.
[11] A. Rossler, D. Cozzolino, L. Verdoliva, C. Riess, J. Thies, and M. Niessner, “FaceForensics++: Learning to detect manipulated facial images,” Proc. IEEE Int. Conf. Comput. Vis., vol. 2019-Octob, pp. 1–11, 2019, doi: 10.1109/ICCV.2019.00009.
[12] S. Ali Raza, U. Habib, M. Usman, A. Ashraf Cheema, and M. Sajid Khan, “MMGANGuard: A Robust Approach for Detecting Fake Images Generated by GANs Using Multi-Model Techniques,” IEEE Access, vol. 12, no. April, pp. 104153–104164, 2024, doi: 10.1109/ACCESS.2024.3393842.
[13] S. Wang, D. Zhu, J. Chen, J. Bi, and W. Wang, “Deepfake face discrimination based on self-attention mechanism,” Pattern Recognit. Lett., vol. 183, pp. 92–97, 2024, doi: https://doi.org/10.1016/j.patrec.2024.02.019.
[14] A. M, K. S. Charan, S. BN, and S. Kanmani R, “Deep Fake Detection using Transfer Learning: A Comparative study of Multiple Neural Networks,” in 2024 International Conference on Signal Processing, Computation, Electronics, Power and Telecommunication (IConSCEPT), Karaikal, India, 2024, pp. 1–6. doi: DOI: 10.1109/IConSCEPT61884.2024.10627869.
[15] A. Luo et al., “Generalized Face Forgery Detection via Adaptive Learning for Pre-trained Vision Transformer,” vol. 18, no. 9, pp. 1–12, 2024, [Online]. Available: http://arxiv.org/abs/2309.11092
[16] P. Wen, “Spatiotemporal Consistency-Based Deep Forgery Detection,” ITM Web Conf., vol. 84, p. 4016, Apr. 2026, doi: 10.1051/itmconf/20268404016.
[17] “www.kaggle.com/datasets/abdullah122/rvf10k-10/discussion?sort=undefined”.
[18] A. Patil and M. Rane, “rn RecoConvolutional Neural Networks: An Overview and Its Applications in Pattegnition,” Smart Innov. Syst. Technol., vol. 195, pp. 21–30, 2021, doi: 10.1007/978-981-15-7078-0_3.
[19] M. Z. Alom et al., “The history began from alexnet: A comprehensive survey on deep learning approaches,” arXiv Prepr. arXiv1803.01164, 2018.
[20] Y. Bengio, Learning deep architectures for AI, vol. 2, no. 1. 2009. doi: 10.1561/2200000006.
[21] A. Khan, A. Sohail, U. Zahoora, and A. S. Qureshi, “A survey of the recent architectures of deep convolutional neural networks,” Artif. Intell. Rev., vol. 53, no. 8, pp. 5455–5516, 2020, doi: 10.1007/s10462-020-09825-6.
[22] M. Z. Alom et al., “The History Began from AlexNet: A Comprehensive Survey on Deep Learning Approaches,” 2018, [Online]. Available: http://arxiv.org/abs/1803.01164
[23] N. A. Muhammad, A. A. Nasir, Z. Ibrahim, and N. Sabri, “Evaluation of CNN, alexnet and GoogleNet for fruit recognition,” Indones. J. Electr. Eng. Comput. Sci., vol. 12, no. 2, pp. 468–475, 2018, doi: 10.11591/ijeecs.v12.i2.pp468-475.
[24] R. U. Khan, X. Zhang, R. Kumar, and E. O. Aboagye, “Evaluating the performance of ResNet model based on image recognition,” ACM Int. Conf. Proceeding Ser., no. November, pp. 86–90, 2018, doi: 10.1145/3194452.3194461.
[25] K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016-Decem, pp. 770–778, 2016, doi: 10.1109/CVPR.2016.90.
[26] D. M. M. J. H. J. Hayawi and S. S. Muhammad, “Detection parking Spaces by using the ResNet50 Algorithm,” J. Al-Qadisiyah Comput. Sci. Math., vol. 14, no. 2, pp. 1–10, 2022, doi: 10.29304/jqcm.2022.14.2.932.
[27] T. Rahman et al., “Transfer learning with deep convolutional neural network (CNN) for pneumonia detection using chest X-ray,” Appl. Sci., vol. 10, no. 9, p. 3233, 2020.
[28] 2 Xiang Yu1, Nianyin Zeng3,∗, Shuai Liu4,∗, Yu-Dong Zhang1, “Utilization of DenseNet201 for diagnosis of breast,” pp. 1–13.
[29] G. Huang, Z. Liu, L. Van Der Maaten, and K. Q. Weinberger, “Densely connected convolutional networks,” Proc. - 30th IEEE Conf. Comput. Vis. Pattern Recognition, CVPR 2017, vol. 2017-Janua, pp. 2261–2269, 2017, doi: 10.1109/CVPR.2017.243.
[30] J. Han, M. Kamber, and J. Pei, Introduction. 2012. doi: 10.1016/b978-0-12-381479-1.00001-0.