Nghiên cứu và đánh giá một số phương pháp học máy ứng dụng trong phát hiện ảnh giả mạo

Abstract

Ảnh số rất phổ biến và có nhiều ưu điểm, tuy nhiên chúng dễ dàng bị chỉnh sửa, cắt ghép... Vì thế, phát hiện ảnh số giả mạo là một nhu cầu cần thiết. Để thực hiện điều này, có nhiều phương pháp đã được đề xuất. Gần đây, các phương pháp dựa trên kỹ thuật học sâu (deep learning) được quan tâm nhiều do chúng có thể đạt được hiệu quả cao trong phát hiện ảnh giả. Trong bài báo này, chúng tôi nghiên cứu và đánh ba mô hình học sâu phổ biến (CNN, GAN và VGG-16) ứng dụng trong phát hiện ảnh giả mạo. Với mỗi mô hình, chúng tôi thiết kế các mạng để xác định các đặc trưng và từ đó phân loại được ảnh thật và ảnh giả. Để đảm bảo độ tin cậy và chính xác cao, các phương pháp được huấn luyện và thử nghiệm trên tập dữ liệu lớn, gồm hàng nghìn ảnh các loại. Việc thử nghiệm của cả ba phương pháp được thực hiện trên cùng bộ dữ liệu để có thể so sánh công bằng với nhau. Chúng tôi nhận thấy cả ba mô hình học sâu trên đều có thể áp dụng để phát hiện ảnh số giả mạo, với khả năng phát hiện chính xác gần 80%, trong đó, mô hình sử dụng VGG-16 cho kết quả tốt nhất, với khả năng phát hiện ảnh giả mạo là trên 90%.