Onderzoekers van de State University van New York in Korea hebben onlangs nieuwe manieren onderzocht om zowel door machines als door mensen gemaakte nepbeelden van gezichten te detecteren. In hun krant gepubliceerd in ACM Digitale Bibliotheek, de onderzoekers gebruikten ensemble-methoden om afbeeldingen te detecteren die zijn gemaakt door generatieve adversariële netwerken (GAN's) en gebruikten voorbewerkingstechnieken om de detectie van afbeeldingen die door mensen zijn gemaakt met behulp van Photoshop te verbeteren.

De afgelopen jaren is aanzienlijke vooruitgang in beeldverwerking en machine learning hebben het genereren van nep, maar zeer realistisch, afbeeldingen. Echter, deze afbeeldingen kunnen ook worden gebruikt om valse identiteiten te creëren, nepnieuws overtuigender maken, algoritmen voor beelddetectie omzeilen, of beeldherkenningstools voor de gek houden.

"Nepgezicht beelden zijn al geruime tijd onderwerp van onderzoek, maar studies hebben zich voornamelijk gericht op foto's gemaakt door mensen, met behulp van Photoshop-tools, "Shahroz Tariq, vertelde een van de onderzoekers die het onderzoek uitvoerden aan Tech Xplore. "Onlangs, een studie van Karras et al. toonde aan dat een generatief adversarial netwerk (GAN) bijna realistische afbeeldingen van menselijke gezichten kan produceren. Mensen kunnen deze foto's kwaadwillig gebruiken, bijvoorbeeld, om valse ID's op internet te maken."

De focus van het onderzoek van Tariq en zijn collega's was het detecteren van zowel door de computer gegenereerde als door mensen gegenereerde nepfoto's van gezichten met behulp van deep learning-technieken. Om dit te doen, ze ontwikkelden een neurale netwerkclassificatie en trainden deze op een dataset van echte en nepbeelden.

"De neurale netwerkclassificator leert de onderscheidende kenmerken tussen de echte en nepbeelden door een enorme database met zowel nep- als echte beelden te onderzoeken, ' zei Tariq.

In plaats van de metadata van afbeeldingen te analyseren, deze classificatie richt zich op de inhoud van de afbeelding. Bij voorproeven is het behaalde opmerkelijke resultaten, het detecteren van zowel door GAN's gegenereerde als door mensen gemaakte nepbeelden van gezichten met een nauwkeurigheid van 94 procent.

"Zelfs als door de computer gegenereerde beelden er voor het menselijk oog zeer realistisch uitzien, de neurale netwerkclassificatie kon enkele minieme verschillen ontdekken, waardoor het de afbeeldingen correct kon classificeren, " zei Tariq. "We ontdekten ook dat nepfoto's die door mensen zijn gemaakt met behulp van Photoshop-tools veel moeilijker te detecteren zijn, omdat er veel variaties mogelijk zijn."

In de toekomst, de door Tariq en zijn collega's ontwikkelde classifier kan helpen bij het identificeren van nepbeelden, gegenereerd door GAN's of door mensen met behulp van grafische bewerkingssoftware, zoals Photoshop. De onderzoekers zijn nu van plan om hun classifier verder te ontwikkelen, het trainen op meer door machines en door mensen gegenereerde beelden.

"Omdat methoden om synthetische afbeeldingen te genereren steeds geavanceerder worden, foto's die met deze methoden zijn gegenereerd, worden realistischer en het zal moeilijker zijn voor de neurale netwerkclassificator om hun verschillen te detecteren, Tariq legde uit. "Daarom willen we onze methodes blijven verbeteren, om dergelijke foto's beter te detecteren."

© 2018 Wetenschap X Netwerk