НЕЙРОМЕРЕЖЕВЕ ВИЯВЛЕННЯ ФЕЙКОВИХ ЗОБРАЖЕНЬ ЛЮДЕЙ

Анотація

Запропоновано метод ідентифікації згенерованих штучним інтелектом фейкових зображень людей засобами машинного навчання. Метод ґрунтується на використанні комбінації двох згорткових нейронних мереж для автоматизованого аналізу зображень з метою ідентифікації автентичності та походження. Особливістю запропонованого методу є те, що він дозволяє не тільки ідентифікувати згенеровані штучним інтелектом зображення, але і метод їх генерації, що може значно покращити ідентифікацію згенерованих штучним інтелектом зображень. Особливістю запропонованого методу є те, що від дозволяє не тільки ідентифікувати згенеровані штучним інтелектом фейкові зображення, але і метод їх генерації, що може значно покращити ідентифікацію згенерованих штучним інтелектом зображень. Метод працює на основі перетворення вхідних даних у вигляді зображення, моделі для ідентифікації зображення, моделі для знаходження походження у вихідні дані у вигляді відсоткової оцінки автентичності зображення та його походження. На першому кроці зображення проходить через попередню обробку, що включає в себе перетворення, зміна розміру та створення тензору. Другим кроком потрібно завантажити натреновану мережу для ідентифікації зображення як згенерованого мережею чи реального, та проаналізувати завантажене зображення; в результаті отримуються відсоткові значення що потрібно проаналізувати та вивести. Якщо вхідне зображення класифіковано як згенероване, то виконується третій крок і потрібно завантажити мережу для ідентифікації походження та додатково проаналізувати зображення. Архітектура нейронної мережі використовує розширену кількість вихідних шарів відповідно до методів генерації.

Для навчання мережі було підготовлено 17000 зображень людей та розроблений відповідний програмний додаток для дослідження ефективності. Встановлено, що використання тренувальної вибірки у відношенні класі згенеровані та реальні 1 до 1, збільшення розмірів груп, застосування випадкової аугментації та нормалізації сприяло значному покращенню кінцевих показників при менших витратах у часі. Це дозволило покращити максимальну точність класифікаторів до 92% для ідентифікації автентичності та 95% для встановлення методу генерації. В той же час збільшення коефіцієнту навчання дало негативний результат, а збільшення кількості епох не дало видимих результатів при значних збільшеннях витрат у часі. Одержані результати свідчать про спроможність запропонованого методу ефективно ідентифікувати згенеровані штучним інтелектом фейкові зображення засобами машинного навчання.