... Article_3:Cyber Security Intrusion Detection for Agriculture 4.0: Machine

Cyber Security Intrusion Detection for Agriculture 4.0: Machine Learning-Based Solutions, Datasets, and Future Directions

 

3.1. Research Objective

This paper focuses on machine learning-based anomaly detection in cybersecurity, but its techniques are applicable to image forgery detection as well. It examines ML models for detecting anomalies in digital security data and how they can be applied to image forgery analysis

Article_2:Image Forgery Detection: A Survey of Recent Deep-Learning Approaches_Part2

ادامه پست معرفی مقاله Image Forgery Detection: A Survey of Recent Deep-Learning Approaches

۲.۳. مزایا و محدودیت‌ها

مزایا:
 مقایسه کامل و جامع بین روش‌های کلاسیک و یادگیری عمیق.
 بررسی نقاط قوت و ضعف هر روش در انواع مختلف جعل.

محدودیت‌ها:
 داده‌های آزمایشی این مقاله به اندازه مقالات دیگر جامع نیست.

مقاله به روش‌های ترکیبی یادگیری ماشین و یادگیری عمیق کمتر پرداخته است.

 

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)

 

Article_1:Face Forgery Detection via Multi-Feature Fusion and Local Enhancement_Part1

نویسندگان : Zhang, D., Chen, J., Liao, X., Li, F., Chen, J., & Yang, G. (2020)
منبع :  IEEE Transactions on Information Forensics and Security

۱.۱. هدف پژوهش

هدف این مقاله ارائه یک الگوریتم ترکیبی برای تشخیص جعل چهره (Face Forgery Detection) است که ویژگی‌های چندگانه تصویری را ترکیب کرده و از بهبود محلی برای افزایش دقت تشخیص استفاده می‌کند. نویسندگان تلاش کرده‌اند که با ادغام تحلیل بافت، ویژگی‌های آماری و مدل‌های یادگیری ماشین، یک روش مؤثرتر برای مقابله با جعل چهره توسعه دهند.