tailieunhanh - Phát hiện khuôn mặt đã qua chỉnh sửa

Bài viết này mô tả cách tiếp cận và sử dụng giải pháp trí tuệ nhân tạo để phát hiện các video, hình ảnh có khuôn mặt đã qua chỉnh sửa. Đặc biệt, sử dụng mô hình mạng thần kinh học sâu có tên Xception. Một loại mô hình đã được phát triển và kết quả thu được đã được xác minh. | PHÁT HIỆN KHUÔN MẶT ĐÃ QUA CHỈNH SỬA Bùi Trung Hiếu Nguyễn Hoàng Tuấn Nguyễn Thế Việt Hoàng Khoa Công nghệ Thông tin Trường Đại học Công nghệ TP. Hồ Chí Minh GVHD ThS. Bùi Mạnh Toàn TÓM TẮT Gần đây các kỹ thuật chỉnh sửa khuôn mặt video hình ảnh đang dần trở nên phổ biến và dễ tiếp cận hơn. Chỉ với vài từ khóa về chỉnh sửa khuôn mặt thì đã xuất hiện hàng loạt các ứng dụng trang trực tuyến cho phép người dùng chỉnh sửa một cách dễ dàng. Khả năng tiếp cận phổ biến và dễ dàng như vậy dẫn đến các hệ lụy nghiêm trọng và không thể kiểm soát. Tràn ngập các video hình ảnh giả mạo đưa thông tin sai lệch làm ảnh hưởng đến các cá nhân tổ chức nói riêng và cả xã hội nói chung. Do đó cần phải phát triển một công cụ có thể phát hiện và xác thực mức độ thật giả của một video hình ảnh đang phát tán trên mạng. Bài báo này mô tả cách tiếp cận và sử dụng giải pháp trí tuệ nhân tạo để phát hiện các video hình ảnh có khuôn mặt đã qua chỉnh sửa. Đặc biệt sử dụng mô hình mạng thần kinh học sâu có tên Xception. Một loại mô hình đã được phát triển và kết quả thu được đã được xác minh. Từ khóa Deepfake Deep Learning FaceForensics Fake video Phát hiện giả mạo. 1 GIỚI THIỆU Mô hình mạng Xception Lý thuyết Xception là từ viết tắt của Extreme Inception là một phiên bản tinh chỉnh và phát triển dựa trên mô hình Inception V3. Là một mô hình mạng thần kinh học sâu được công bố bởi tác giả Francois Chollet vào tháng 4 năm 2017 2 . Xception có thể học rất sâu mà không làm hỏng đi cấu trúc so với dữ liệu đầu vào nghĩa là không bị sai sót khi mô hình đi quá sâu. Ngoài ra Xception có thể hoạt động tốt khi chúng ta có dữ liệu rất ít nhưng muốn mô hình học chính xác và không bị quá khớp so với dữ liệu đầu vào còn gọi là Overfitting. Nó sẽ áp dụng rất nhiều bộ lọc để tạo ra nhiều dữ liệu cho việc học sâu. So với các loại mô hình mạng thần kinh học sâu khác 6 Xception cho phép giảm các tham số nhưng vẫn giữ được cấu trúc và độ chính xác qua từng lớp nhằm cải thiện hiệu suất tính toán và thời .