Article_2:Image Forgery Detection: A Survey of Recent Deep-Learning Approaches_Part1

Image Forgery Detection: A Survey of Recent Deep-Learning Approaches

نویسندگان:  Zanardelli, M., Guerrini, F., Leonardi, R., & Adami, N. (2021)
منبع:  Springer Journal of Imaging

۲.۱. هدف پژوهش

این مقاله یک مرور جامع از روش‌های کلاسیک و مدرن تشخیص جعل تصاویر ارائه می‌دهد و مدل‌های سنتی یادگیری ماشین (Machine Learning) را با مدل‌های یادگیری عمیق (Deep Learning) مقایسه می‌کند. مقاله تلاش دارد به این سؤال پاسخ دهد که روش‌های کلاسیک تا چه حد در برابر جعل‌های پیچیده مانند DeepFake کارآمد هستند و آیا یادگیری عمیق جایگزین کاملی برای روش‌های سنتی است یا نه.

۲.۲. روش‌شناسی (Methodology)

  

تحلیل روش‌های سنتی تشخیص جعل:

• مدل‌های یادگیری ماشین مانند SVM، K-NN، Random Forest، و Naïve Bayes
• روش‌های تحلیل بافتی و ویژگی‌های تصویری شامل Local Binary Patterns (LBP) و Histogram of Oriented Gradients (HOG)
• تحلیل فرکانسی تصاویر با استفاده از تبدیل فوریه (FFT) و تبدیل موجک (DWT)

مقایسه با روش‌های یادگیری عمیق:

• بررسی شبکه‌های عصبی کانولوشنی (CNN) و GAN-Detection Models
• تحلیل روش‌های پیشرفته مانند ResNet، EfficientNet، XceptionNet

ادامه در پست بعد