Luận văn: Giải pháp chống tấn công giả mạo bằng ảnh và video

Luận văn về chống tấn công giả mạo bằng ảnh video. Nghiên cứu các phương pháp phát hiện và ngăn chặn deepfake, bảo vệ thông tin xác thực.

• Tác giả: Phan Minh Khue
• Người hướng dẫn: TS. Nguyễn Thị Oanh
• Trường học: Trường Đại học Bách Khoa Hà Nội
• Chuyên ngành: Mạng máy tính và an toàn thông tin
• Đề tài: Chống tấn công giả mạo bằng ảnh, video
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN BÀI TOÁN CHỐNG TẤN CÔNG GIẢ MẠO BẰNG
• 1.1. Tổng quan bài toán chống tấn công giả mạo bằng ảnh, video
• 1.2. Định nghĩa bài toán
• 1.3. Đối tượng, phạm vi và phương pháp nghiên cứu
• 1.4. Giới hạn của bài toán
• 1.5. Các cách tiếp cận giải quyết bài toán
• 1.5.1. Cách tiếp cận dựa trên tác động của con người
• 1.5.2. Cách tiếp cận dựa trên các đặc trưng của khuôn mặt
• 2. CHƯƠNG 2: MỘT SỐ NGHIÊN CỨU LIÊN QUAN
• 2.1. Mạng nơ-ron tích chập trong bài toán phân loại ảnh
• 2.2. Kiến trúc mạng ResNet
• 2.3. Kiến trúc mạng MobileNet
• 2.4. Kiến trúc mạng EfficientNet
• 2.5. Một số nghiên cứu sử dụng mạng nơ-ron tích chập cho bài toán chống tấn công
• 2.5.1. Giải pháp sử dụng thông tin về không gian và thời gian
• 2.5.2. Giải pháp sử dụng đầu vào gồm đa phương thức kết hợp
• 2.5.3. Giải pháp học không giám sát
• 3. CHƯƠNG 3: MÔ HÌNH TRIỂN KHAI THỬ NGHIỆM
• 3.1. Giải pháp thử nghiệm
• 3.2. Giải pháp thứ nhất: giải quyết như bài toán phân loại ảnh hai lớp (thật và giả mạo) với dữ liệu đầu vào là ảnh RGB
• 3.3. Giải pháp thứ hai: sử dụng ảnh RGB và thêm thông tin độ sâu của ảnh
• 3.4. Đánh giá thực nghiệm
• 3.4.1. Chuẩn bị dữ liệu
• 3.4.2. Kịch bản và các thông số đánh giá kết quả
• 3.5. Kết quả thực nghiệm khi chỉ sử dụng đầu vào là ảnh RGB
• 3.6. Kết quả thực nghiệm khi sử dụng thêm thông tin độ sâu
• 3.7. Ứng dụng thực tế
• 3.7.1. Tổng quan ứng dụng thực thi
• 3.7.2. Thực thi ứng dụng
• 4. CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 4.1. Hướng phát triển
• TÀI LIỆU THAM KHẢO
• TÓM TẮT LUẬN VĂN

Tóm tắt

I. Tổng Quan Về Chống Tấn Công Giả Mạo Ảnh Video 55 Ký Tự

Bài toán chống tấn công giả mạo bằng ảnh video ngày càng trở nên cấp thiết trong bối cảnh công nghệ số phát triển mạnh mẽ. Các hệ thống nhận diện sinh trắc học, đặc biệt là nhận diện khuôn mặt, đang đối mặt với nhiều thách thức lớn từ các cuộc tấn công giả mạo tinh vi. Việc bảo vệ an ninh ảnh video trở thành ưu tiên hàng đầu để đảm bảo tính chính xác và bảo mật của các hệ thống này. Theo luận văn, "Chống tấn công giả mạo bằng ảnh, video là một vấn đề luôn cần được nghiên cứu ưu tiên và kĩ lưỡng trong các hệ thống nhận diện bằng sinh trắc học, cụ thể ở đây là nhận diện bằng khuôn mặt." Các hệ thống sinh trắc học hiện nay luôn đòi hỏi độ chính xác và bảo mật cao. Vì vậy, kết quả tốt trong nghiên cứu chống tấn công giả mạo khuôn mặt bằng hình ảnh hoặc video sẽ giúp cho các hệ thống sinh trắc học được bảo vệ an toàn hơn, tránh được các cuộc tấn công từ nhân tố có hại bên ngoài. Các phương pháp tấn công ngày càng phức tạp, từ việc sử dụng ảnh và video giả mạo đơn giản đến các kỹ thuật deepfake tiên tiến, đòi hỏi các nhà nghiên cứu phải liên tục phát triển và cải tiến các phương pháp phát hiện giả mạo ảnh video hiệu quả. Mục tiêu của luận văn là nghiên cứu bài toán chống tấn công giả mạo khuôn mặt bằng hình ảnh hoặc video. Nghiên cứu khảo sát hiện trạng của bài toàn vẻ dộ chỉnh xác va ưu nhược điểm của một số phương pháp giải quyết hiên nay. Từ các nghiên cứu đó, trong luận văn sẽ đẻ xuất giải pháp sử dụng mạng nơ-ron tích chập dược tuỳ biến dựa trên kiến trúc mang LfficientNetl30 va MobileNetv2 dé phan loại khuôn mặt đầu vào lá khuôn mặt thật hay giả mao. Ngoài ra trong luận văn cũng sẽ tiến banh mö phỏng thử nghiệm thực tê để do dạc vẻ thời gian, dộ chỉnh xác,. từ đỏ dánh giá khả nắng ủng dụng của giải pháp đã Ina chon.

1.1. Định Nghĩa Bài Toán Chống Giả Mạo Ảnh Video

Bài toán chống giả mạo ảnh video tập trung vào việc xác định tính xác thực của một đoạn video hoặc hình ảnh. Điều này bao gồm việc phát hiện các thao tác chỉnh sửa, cắt ghép, hoặc tạo ra nội dung giả mạo hoàn toàn. Mục tiêu cuối cùng là ngăn chặn việc sử dụng các nội dung giả mạo này vào các mục đích xấu, chẳng hạn như lừa đảo, phỉ báng, hoặc gây rối loạn xã hội. Các kỹ thuật phân tích tính toàn vẹn ảnh video đóng vai trò quan trọng trong việc giải quyết bài toán này. Việc định nghĩa rõ ràng bài toán này giúp các nhà nghiên cứu tập trung vào các khía cạnh quan trọng và phát triển các giải pháp hiệu quả.

1.2. Các Phương Pháp Tiếp Cận Hiện Tại Để Phát Hiện Giả Mạo

Hiện nay, có nhiều phương pháp tiếp cận để giải quyết bài toán phát hiện giả mạo ảnh video. Một số phương pháp tập trung vào việc phân tích metadata ảnh video để tìm kiếm các dấu hiệu bất thường. Các phương pháp khác dựa trên việc phân tích các đặc trưng của khuôn mặt, chẳng hạn như biểu cảm, ánh sáng, và bóng đổ, để phát hiện các dấu hiệu giả mạo. Các kỹ thuật học sâu (deep learning), đặc biệt là mạng nơ-ron tích chập (CNN), cũng được sử dụng rộng rãi để huấn luyện các mô hình có khả năng nhận diện các mẫu giả mạo tinh vi. Theo luận văn, có hai cách tiếp cận chính để giải quyết bài toán, đó là cách tiếp cận dựa trên tác động của con người và cách tiếp cận dựa trên các đặc trưng của khuôn mặt.

II. Thách Thức Trong Phát Hiện Deepfake Ảnh Video 58 Ký Tự

Mặc dù đã có nhiều tiến bộ trong lĩnh vực chống giả mạo ảnh video, vẫn còn nhiều thách thức đặt ra. Các kỹ thuật deepfake ngày càng trở nên tinh vi, khiến cho việc phát hiện trở nên khó khăn hơn. Các phương pháp truyền thống dựa trên việc phân tích thủ công các đặc trưng thường không hiệu quả đối với các deepfake chất lượng cao. Thêm vào đó, việc thiếu dữ liệu huấn luyện đa dạng và đáng tin cậy cũng là một trở ngại lớn. Các mô hình máy học (machine learning) cần được huấn luyện trên một lượng lớn dữ liệu để có thể hoạt động hiệu quả, nhưng việc thu thập và gán nhãn dữ liệu giả mạo là một quá trình tốn kém và phức tạp. Thách thức lớn nhất hiện nay là làm sao để phát triển các phương pháp có thể phát hiện được các deepfake chưa từng được biết đến trước đây, tức là có khả năng phân tích pháp y ảnh video một cách tổng quát.

2.1. Sự Tinh Vi Của Các Kỹ Thuật Deepfake Hiện Đại

Deepfake không còn chỉ là những video chỉnh sửa vụng về. Các thuật toán hiện đại có thể tạo ra những video giả mạo gần như không thể phân biệt được bằng mắt thường. Chúng có thể thay đổi biểu cảm, lời nói, và thậm chí cả danh tính của một người trong video. Điều này đặt ra một thách thức lớn cho các hệ thống xác thực ảnh video, vì chúng cần phải liên tục được cập nhật và cải tiến để theo kịp với sự phát triển của công nghệ deepfake.

2.2. Thiếu Dữ Liệu Huấn Luyện Đa Dạng và Đáng Tin Cậy

Các mô hình học sâu (deep learning) cần một lượng lớn dữ liệu để học được các mẫu và đặc trưng quan trọng. Tuy nhiên, việc thu thập dữ liệu deepfake là một vấn đề nan giải. Dữ liệu cần phải đa dạng về nguồn gốc, chất lượng, và loại hình tấn công. Đồng thời, dữ liệu cũng cần phải được gán nhãn chính xác để đảm bảo rằng mô hình học được các thông tin chính xác. Việc tạo ra một bộ dữ liệu phát hiện deepfake lớn và đáng tin cậy là một nhiệm vụ khó khăn, đòi hỏi sự hợp tác giữa các nhà nghiên cứu, các tổ chức chính phủ, và các công ty công nghệ.

2.3. Khả Năng Phát Hiện Các Deepfake Chưa Từng Được Biết Đến

Một trong những thách thức lớn nhất là làm sao để phát triển các phương pháp có thể phát hiện được các deepfake chưa từng được biết đến trước đây. Các mô hình hiện tại thường được huấn luyện để nhận diện các loại deepfake cụ thể. Tuy nhiên, nếu một loại deepfake mới xuất hiện, mô hình có thể không nhận diện được nó. Cần có các phương pháp có khả năng phân tích pháp y ảnh video một cách tổng quát, tức là có thể phát hiện các dấu hiệu bất thường mà không cần biết trước loại deepfake cụ thể.

III. Phương Pháp Mới Mạng Nơ ron Tích Chập CNN 57 Ký Tự

Luận văn đề xuất một giải pháp sử dụng mạng nơ-ron tích chập (CNN) được tùy biến dựa trên kiến trúc mạng EfficientNet và MobileNetv2 để phân loại khuôn mặt đầu vào là khuôn mặt thật hay giả mạo. CNN đã chứng minh được hiệu quả của mình trong nhiều bài toán liên quan đến xử lý ảnh và video, và chúng có khả năng học được các đặc trưng phức tạp một cách tự động. Bằng cách huấn luyện CNN trên một bộ dữ liệu lớn các khuôn mặt thật và giả mạo, có thể tạo ra một mô hình có khả năng phân biệt giữa hai loại này một cách chính xác. Ưu điểm của phương pháp này là khả năng tự động học các đặc trưng quan trọng, giảm thiểu sự can thiệp thủ công và tăng tính linh hoạt của hệ thống. Ngoài ra trong luận văn cũng sẽ tiến banh mö phỏng thử nghiệm thực tê để do dạc vẻ thời gian, dộ chỉnh xác,. từ đỏ dánh giá khả nắng ủng dụng của giải pháp đã Ina chon.

3.1. Ứng Dụng Kiến Trúc EfficientNet Và MobileNetv2

EfficientNet và MobileNetv2 là hai kiến trúc mạng nơ-ron tích chập (CNN) tiên tiến, được thiết kế để đạt được hiệu suất cao với chi phí tính toán thấp. EfficientNet sử dụng một phương pháp mở rộng có hệ thống để tối ưu hóa cả chiều sâu, chiều rộng, và độ phân giải của mạng. MobileNetv2 sử dụng các khối chập sâu (depthwise separable convolutions) để giảm số lượng tham số và tăng tốc độ tính toán. Việc sử dụng các kiến trúc này cho phép tạo ra các mô hình phát hiện giả mạo ảnh video hiệu quả và có thể triển khai trên các thiết bị di động.

3.2. Tùy Biến CNN Để Phát Hiện Giả Mạo Khuôn Mặt

Để phù hợp với bài toán phát hiện giả mạo khuôn mặt, mạng nơ-ron tích chập (CNN) cần được tùy biến để tập trung vào các đặc trưng quan trọng của khuôn mặt, chẳng hạn như cấu trúc da, biểu cảm, và ánh sáng. Có thể sử dụng các lớp tích chập đặc biệt để trích xuất các đặc trưng này, và có thể sử dụng các hàm mất mát (loss functions) đặc biệt để khuyến khích mô hình học được các sự khác biệt tinh tế giữa khuôn mặt thật và giả mạo. Ngoài ra, có thể sử dụng các kỹ thuật tăng cường dữ liệu (data augmentation) để tăng tính đa dạng của dữ liệu huấn luyện và cải thiện khả năng tổng quát hóa của mô hình.

3.3. Huấn Luyện Mô Hình Với Dữ Liệu Khuôn Mặt Thật và Giả Mạo

Quá trình huấn luyện mô hình CNN đòi hỏi một bộ dữ liệu lớn các khuôn mặt thật và giả mạo. Dữ liệu cần phải đa dạng về chủng tộc, giới tính, độ tuổi, và điều kiện ánh sáng. Dữ liệu giả mạo cần phải bao gồm nhiều loại kỹ thuật tấn công khác nhau, từ các kỹ thuật đơn giản như cắt ghép đến các kỹ thuật phức tạp như deepfake. Trong quá trình huấn luyện, mô hình sẽ học cách liên kết các đặc trưng của khuôn mặt với nhãn (thật hoặc giả mạo). Sau khi huấn luyện, mô hình có thể được sử dụng để xác thực ảnh video mới.

IV. Thêm Thông Tin Độ Sâu Nâng Cao Phát Hiện 59 Ký Tự

Ngoài việc sử dụng ảnh RGB, luận văn cũng đề xuất sử dụng thêm thông tin độ sâu (depth information) để cải thiện hiệu quả phát hiện giả mạo ảnh video. Thông tin độ sâu có thể cung cấp thêm các manh mối về cấu trúc 3D của khuôn mặt, giúp phân biệt giữa khuôn mặt thật và khuôn mặt giả mạo dễ dàng hơn. Ví dụ, các kỹ thuật deepfake thường gặp khó khăn trong việc tái tạo chính xác độ sâu của khuôn mặt, do đó thông tin độ sâu có thể được sử dụng để phát hiện các dấu hiệu bất thường. Theo luận văn, giải pháp thứ hai sử dụng ảnh RGB và thêm thông tin độ sâu của ảnh, giúp cải thiện độ chính xác của hệ thống.

4.1. Lợi Ích Của Thông Tin Độ Sâu Trong Phát Hiện Giả Mạo

Thông tin độ sâu cung cấp một cái nhìn 3D về khuôn mặt, cho phép phát hiện các bất thường về hình dạng và cấu trúc mà không thể thấy được trong ảnh 2D. Điều này đặc biệt hữu ích trong việc phát hiện deepfake, vì các kỹ thuật deepfake thường tạo ra các khuôn mặt phẳng và thiếu chiều sâu. Thông tin độ sâu cũng có thể được sử dụng để phát hiện các dấu hiệu chỉnh sửa, chẳng hạn như việc thay đổi kích thước hoặc vị trí của các bộ phận trên khuôn mặt.

4.2. Cách Thu Thập Thông Tin Độ Sâu Của Ảnh Video

Có nhiều cách để thu thập thông tin độ sâu của ảnh video. Một phương pháp là sử dụng các cảm biến độ sâu (depth sensors) như Kinect hoặc RealSense. Các cảm biến này có thể tạo ra một bản đồ độ sâu (depth map) của cảnh quay, cho biết khoảng cách từ camera đến mỗi điểm trong cảnh. Một phương pháp khác là sử dụng các thuật toán ước lượng độ sâu từ ảnh đơn (single-image depth estimation). Các thuật toán này sử dụng các đặc trưng thị giác trong ảnh để ước lượng độ sâu của các vật thể trong cảnh.

4.3. Tích Hợp Thông Tin Độ Sâu Vào Mô Hình CNN

Thông tin độ sâu có thể được tích hợp vào mô hình CNN bằng nhiều cách khác nhau. Một cách là sử dụng một kênh đầu vào riêng biệt cho thông tin độ sâu. Trong trường hợp này, mô hình sẽ nhận được cả ảnh RGB và bản đồ độ sâu làm đầu vào. Một cách khác là sử dụng thông tin độ sâu để tăng cường dữ liệu huấn luyện. Có thể sử dụng các kỹ thuật như tạo ảnh 3D từ ảnh 2D và bản đồ độ sâu để tạo ra các khuôn mặt giả mạo đa dạng hơn và cải thiện khả năng tổng quát hóa của mô hình.

V. Kết Quả Thử Nghiệm Và Ứng Dụng Thực Tế 54 Ký Tự

Luận văn tiến hành thử nghiệm giải pháp đề xuất trên các bộ dữ liệu khuôn mặt thật và giả mạo, và đánh giá hiệu quả của phương pháp. Kết quả cho thấy rằng việc sử dụng mạng nơ-ron tích chập (CNN) và thông tin độ sâu có thể đạt được độ chính xác cao trong việc phát hiện giả mạo ảnh video. Luận văn cũng trình bày một ứng dụng thực tế của giải pháp, cho thấy khả năng ứng dụng của nó trong việc bảo vệ các hệ thống nhận diện khuôn mặt. Theo luận văn, kết quả thực nghiệm khi chỉ sử dụng đầu vào là ảnh RGB và kết quả thực nghiệm khi sử dụng thêm thông tin độ sâu được so sánh để đánh giá hiệu quả.

5.1. Đánh Giá Hiệu Quả Trên Các Bộ Dữ Liệu Tiêu Chuẩn

Để đánh giá hiệu quả của giải pháp đề xuất, cần tiến hành thử nghiệm trên các bộ dữ liệu tiêu chuẩn, chẳng hạn như CelebA-HQ, FaceForensics++, và DeepFakeDetection. Các bộ dữ liệu này chứa một lượng lớn các khuôn mặt thật và giả mạo, được tạo ra bằng nhiều kỹ thuật khác nhau. Việc đánh giá trên các bộ dữ liệu này cho phép so sánh hiệu quả của giải pháp với các phương pháp khác đã được công bố.

5.2. Ứng Dụng Trong Các Hệ Thống Nhận Diện Khuôn Mặt

Giải pháp chống giả mạo ảnh video có thể được tích hợp vào các hệ thống nhận diện khuôn mặt để tăng cường tính bảo mật. Khi một khuôn mặt được phát hiện trong ảnh hoặc video, hệ thống có thể sử dụng mô hình CNN đã được huấn luyện để xác định xem khuôn mặt đó là thật hay giả mạo. Nếu khuôn mặt được xác định là giả mạo, hệ thống có thể từ chối truy cập hoặc cảnh báo cho người dùng.

5.3. Các Ứng Dụng Tiềm Năng Khác Của Công Nghệ

Ngoài việc bảo vệ các hệ thống nhận diện khuôn mặt, công nghệ chống giả mạo ảnh video còn có nhiều ứng dụng tiềm năng khác. Ví dụ, nó có thể được sử dụng để xác minh tính xác thực của các tin tức trực tuyến, ngăn chặn việc lan truyền thông tin sai lệch, và bảo vệ quyền riêng tư của người dùng. Nó cũng có thể được sử dụng trong các ứng dụng pháp lý, chẳng hạn như việc xác định tính xác thực của các bằng chứng video trong các vụ án hình sự.

VI. Kết Luận Và Hướng Phát Triển Tương Lai 53 Ký Tự

Luận văn đã trình bày một giải pháp hiệu quả để chống tấn công giả mạo bằng ảnh video, sử dụng mạng nơ-ron tích chập (CNN) và thông tin độ sâu. Kết quả thử nghiệm cho thấy rằng giải pháp này có thể đạt được độ chính xác cao trong việc phát hiện giả mạo, và có tiềm năng ứng dụng rộng rãi trong nhiều lĩnh vực. Tuy nhiên, vẫn còn nhiều hướng phát triển có thể được khám phá trong tương lai. Theo luận văn, hướng phát triển cần tiếp tục nghiên cứu và cải tiến để đối phó với các kỹ thuật tấn công ngày càng tinh vi.

6.1. Tiếp Tục Nghiên Cứu Các Kỹ Thuật Phát Hiện Giả Mạo Tiên Tiến

Các kỹ thuật tấn công giả mạo liên tục phát triển, do đó cần tiếp tục nghiên cứu các phương pháp phát hiện giả mạo ảnh video tiên tiến hơn. Điều này bao gồm việc khám phá các kiến trúc mạng nơ-ron (neural network) mới, các kỹ thuật tăng cường dữ liệu mới, và các phương pháp phân tích pháp y mới.

6.2. Phát Triển Các Phương Pháp Tự Động Phát Hiện Các Loại Giả Mạo Mới

Cần phát triển các phương pháp có khả năng tự động phát hiện các loại giả mạo mới mà không cần được huấn luyện cụ thể trên chúng. Điều này đòi hỏi các phương pháp có khả năng phân tích pháp y ảnh video một cách tổng quát và phát hiện các dấu hiệu bất thường mà không cần biết trước loại tấn công cụ thể.

6.3. Ứng Dụng Blockchain Trong Xác Thực Ảnh Video

Công nghệ blockchain có thể được sử dụng để tạo ra một hệ thống xác thực ảnh video phi tập trung và không thể giả mạo. Bằng cách lưu trữ thông tin về ảnh và video trên blockchain, có thể đảm bảo rằng chúng không bị chỉnh sửa hoặc thay đổi mà không được phép. Công nghệ blockchain chống giả mạo ảnh video, đảm bảo nguồn gốc và tính toàn vẹn của hình ảnh.

Trích đoạn nội dung tài liệu

BO GIAO DUC VA DAO TAO TRƯỜNG DẠI HỌC BÁCTII KIOA HÀ NỘI aR PHAN MINH KHUE CHONG TAN CONG GIA MAO BANG ANH, VIDEO Chuyên ngành: Mạng máy tỉnh và an toàn thông tin LUẬN VĂN THẠC SĨ KỸ THUẬT MANG MAY TINH VÀ AN TOAN THONG TIN NGƯỜI HƯỚNG DẪN KIIOA HỌC: TS. NGUYÊN THỊ OANH THả Nội - 2021 LOI CAM BOAN Tôi xin cam đoan: Để tài “Chống tân công giả mạo bằng ảnh, video” được tiên hành công khai dựa trên sự cổ gắng, nỗ lực của bán thân và sự giúp dỡ không nhỏ cũa giáng viên thưởng dẫn. Tất cả các số liêu và kết quả nghiên cửu trong luận văn là hoàn toàn trung thực và không có sao chép hoặc sử dụng kết quả từ bắt kỉ dễ tài nghiên cứu nào tương tư. Nêu phát hiện có sự sao chép của để tải nghiên cứu khác, tôi xin hoàn toàn chịu trách nhiệm.

Tà Nội, ngày 20 tháng 05 năm 2021 Học viền. rey LOI CAM ON Trong quả trình hoàn thành luận văn, ngoài sự nỗ lực, cổ gắng, trau đổi của bản thân, tôi cũng dã nhận dược những đóng góp ÿ kiến, những định hưởng, dùng din và kịp thời từ thầy cô. Đặc biết, tôi xin gi lời cảm ơn chân thành và sâu sắc nhất đến giảng viên thưởng đẫn TS. Nguyễn Thị Oanh, người đã hết lòng hướng dẫn, giúp đỡ tôi để tôi có đủ kiến thúc cũng như định hướng đúng đồn góp phần hoàn thiện để tài một cách tốt nhất.

Tòi cũng xin chăn thành cảm ơn toàn thể quý thảy cô viện Công nghệ thông tin và truyền thông, trường Đại học Bách Khoa Hà Nội đã lận lình chỉ bão, truyền đạt những kiến (hie lý thuyết cũng như thực tế võ cùng bổ ¡ch giúp tỏi hoàn thành chương trình học của mình. Tôi xin chân thành câm ơn. CHƯƠNG 3: MÔ HÌNH TRIÊN KHAI THỬ NGHIỆM. Giải pháp thứ nghiệm 31 3.

Giãi pháp thứ nhất: giải quyết như bái toán phân loại ảnh hai lớp (thật và giá mạo) với đữ liệu đâu vào là ảnh RGŒB. Giải pháp thứ hai: sử dụng ảnh RG13 và thêm thông tín độ sấu của ánh. Đánh giả Ihực nghiệm. Chuan bi dit ligu.

Kịch bản và các thông số đánh giá kết quả - 39 3. Kết quả thực nghiệm khi chỉ sử dụng đầu vào là ảnh EGB. Kết quả thực nghiệm khi sử dụng thêm thông tin độ sâu. Ứng dụng thực thủ.

Tổng quan img dumg thue thi. Thực thi ng dụng. „48 CHUONG 4: KET LUAN VA HUONG PHAT TRIEN. Hướng phát triển 50 TAL LIEU THAM KHAO TOM TAT LUAN VAN MỤC LỤC DANH SÁCH HÌNH VẼ.

DANH SÁCTF BẰNG BEEU. DANH SÁCH CÁC THUẬT NGỮ VIET TAT. CHUONG 1: TONG QUAN BAI TOAN CIIONG TAN CONG GIA MAO BANG. Téng quan bai ton chéng tin céng giA mao bing anh, video 2 1.

Định nghĩa bài toán 1. Đối tượng, phạm vi va phương pháp nghiên cứu - 13 1. Giới hạn của bái toán. «cọ nhH Hee re 13 1.

Cáo cách liếp cận giải quyết bài Loám. Cách tiếp cận dựa trên tác động của con người. Cách tiếp cận dựa trên các đặc rưng của khuôn mặt - - 15 1. CHUONG 2: MOT SỐ NGHIÊN CỨU LIÊN QUAN.

Mạng nơ-ron tích chập trong bài toán phân loại ảnh. Kién trac mạng ResNet [E]. Kién tric matig MobileNet [17] 18 2. Kiến trúc mang EfficientNet [11] 19 2.

Một số nghiên cím sử đựng mạng no-ron tich chập cho bài toán chống tấn công ï”. Giải pháp sử dụng thông liu về không gian và thời gian. Giải pháp sử dụng dầu vào gồm da phương thức kết hợp. Giải phíp học không giám sát.

Véng kat eevseseessatssanunnsvonssoseeesesesssseesie ens svasevansassssaesseeeenssanuansaasansisee 29 DANH SÁCH BẰNG BIẾU Bang 2. Kết quả đánh giá nội bộ trên hộ đữ liệu Oulu-NDU với các giao thức đảnh giả khác nhau T1]. Tỉ lệ lỗi trung bình khi đánh giá chéo trên bộ đữ liệu CA SIA-MESD và Replay-Attack [1]. Kết quả đánh giá trên bộ đữ liệu CASIA-SURF với kiến trúc mạng đựa trên ResNot8 [2].

4 Kết quả đánh giá khi sử dụng các đầu vào khác nhau trên bộ dữ liên CA SIA- SURE [2] Bang 2. Kết quả đánh giá giải ppt trên bộ đữ liệu SiW-M với kiểu tân công sử dụng, hình ảnh và video|3]. Ưu nhược điểm của các giải pháp sử dụng mạng no-ron tích chập đã tìm hiểu. Thông tỉa một số mạng, nơ-ron tích chập sử dụng dễ phân loại trên bộ dũ liệu ImageNet [10][11].

Số lượng tham số và kích thước mô hình sử đụng. Chi tiết số lượng video trong bộ dữ liệu SïW. Số lượng hình ảnh khuôn mặt trích xuất ra được của bộ đữ liệu SïW. Số lượng hình nh khuôn mặt sau khi tách tập dữ Hiệu kiểm thủ từ tập đữ liệu huấn luyện của bộ đữ liệu S¡W.

Số lượng hình ãnh khuôn mặt của bộ đữ liệu SiW'zmini 37 Bang 3. Chi tiết số lượng video trong bộ dữ liệu Oulu-NPU. Số lượng hình ảnh khuôn mặt trích xuất ra được của bộ đữ liệu OulwNPU. sd Tượng hình ảnh khuôn mặt của bd dit gu QulueNPU-mini.

Câu hình máy tính cá nhân sử dụng. use assesses 40 Bang 3. Kết quả đánh giả nội bộ giải pháp chỉ sử đụng ảnh RGH.12 qua danh gid chéo giải pháp chỉ sữ đụng ảnh RGB. Kết quả đánh giá nội bộ trong giải pháp sử dụng thêm thông tin độ sâu.

So sánh kết quả đảnh giả nội bộ giữa hai giải pháp để xuất khi sử dụng kiến trúc ElleienOÄctB0. HH H Hư HH gu rerhren 4 Hình 3. Ví dụ về bản đồ độ sâu mô hình dự đoán được trong kịch bản đánh giá chéo. Sơ đồ tổng quan ứng dụng thực tủ.

Ví dụ về video tự xây dựng. Ví dụ kết quả thực thí theo giải pháp chỉ sử dụng ảnh RGB. Ví dụ kết quả thực tủ thơ giải pháp sở dụng thê thông tin độ sâu. 49 DANH SÁCH BẰNG BIẾU Bang 2.

Kết quả đánh giá nội bộ trên hộ đữ liệu Oulu-NDU với các giao thức đảnh giả khác nhau T1]. Tỉ lệ lỗi trung bình khi đánh giá chéo trên bộ đữ liệu CA SIA-MESD và Replay-Attack [1]. Kết quả đánh giá trên bộ đữ liệu CASIA-SURF với kiến trúc mạng đựa trên ResNot8 [2]. 4 Kết quả đánh giá khi sử dụng các đầu vào khác nhau trên bộ dữ liên CA SIA- SURE [2] Bang 2.

Kết quả đánh giá giải ppt trên bộ đữ liệu SiW-M với kiểu tân công sử dụng, hình ảnh và video|3]. Ưu nhược điểm của các giải pháp sử dụng mạng no-ron tích chập đã tìm hiểu. Thông tỉa một số mạng, nơ-ron tích chập sử dụng dễ phân loại trên bộ dũ liệu ImageNet [10][11]. Số lượng tham số và kích thước mô hình sử đụng.

Chi tiết số lượng video trong bộ dữ liệu SïW. Số lượng hình ảnh khuôn mặt trích xuất ra được của bộ đữ liệu SïW. Số lượng hình nh khuôn mặt sau khi tách tập dữ Hiệu kiểm thủ từ tập đữ liệu huấn luyện của bộ đữ liệu S¡W. Số lượng hình ãnh khuôn mặt của bộ đữ liệu SiW'zmini 37 Bang 3.

Chi tiết số lượng video trong bộ dữ liệu Oulu-NPU. Số lượng hình ảnh khuôn mặt trích xuất ra được của bộ đữ liệu OulwNPU. sd Tượng hình ảnh khuôn mặt của bd dit gu QulueNPU-mini. Câu hình máy tính cá nhân sử dụng.

use assesses 40 Bang 3. Kết quả đánh giả nội bộ giải pháp chỉ sử đụng ảnh RGH.12 qua danh gid chéo giải pháp chỉ sữ đụng ảnh RGB. Kết quả đánh giá nội bộ trong giải pháp sử dụng thêm thông tin độ sâu. So sánh kết quả đảnh giả nội bộ giữa hai giải pháp để xuất khi sử dụng kiến trúc ElleienOÄctB0.

HH H Hư HH gu rerhren 4 Hình 3. Ví dụ về bản đồ độ sâu mô hình dự đoán được trong kịch bản đánh giá chéo. Sơ đồ tổng quan ứng dụng thực tủ. Ví dụ về video tự xây dựng.

Ví dụ kết quả thực thí theo giải pháp chỉ sử dụng ảnh RGB. Ví dụ kết quả thực tủ thơ giải pháp sở dụng thê thông tin độ sâu. 49 MỤC LỤC DANH SÁCH HÌNH VẼ. DANH SÁCTF BẰNG BEEU.

DANH SÁCH CÁC THUẬT NGỮ VIET TAT. CHUONG 1: TONG QUAN BAI TOAN CIIONG TAN CONG GIA MAO BANG. Téng quan bai ton chéng tin céng giA mao bing anh, video 2 1. Định nghĩa bài toán 1.

Đối tượng, phạm vi va phương pháp nghiên cứu - 13 1. Giới hạn của bái toán. «cọ nhH Hee re 13 1. Cáo cách liếp cận giải quyết bài Loám.

Cách tiếp cận dựa trên tác động của con người. Cách tiếp cận dựa trên các đặc rưng của khuôn mặt - - 15 1. CHUONG 2: MOT SỐ NGHIÊN CỨU LIÊN QUAN. Mạng nơ-ron tích chập trong bài toán phân loại ảnh.

Kién trac mạng ResNet [E]. Kién tric matig MobileNet [17] 18 2. Kiến trúc mang EfficientNet [11] 19 2. Một số nghiên cím sử đựng mạng no-ron tich chập cho bài toán chống tấn công ï”.

Giải pháp sử dụng thông liu về không gian và thời gian. Giải pháp sử dụng dầu vào gồm da phương thức kết hợp. Giải phíp học không giám sát. Véng kat eevseseessatssanunnsvonssoseeesesesssseesie ens svasevansassssaesseeeenssanuansaasansisee 29 TOM TAT NOI DUNG LUAN VAN Chồng tấn công gid mao bang anh, video la một vân đề luôn cản được nghiên cứn ưu.

tiên và kĩ lưỡng trong các hệ thông nhận diện bằng sinh trắc học, cụ thể ở dây lá nhận diện. ‘bang khuôn mặt. Các hệ thông sinh trắc học hiện nay luôn đòi hỏi độ chính xác và bảo mật vat. Vi vay, vai việc kết quả tốt trong nghiên cứu chẳng tắn công giả mạo khuôn mặt bằng hình ảnh hoặc video sẽ giúp cho các hệ thống sinh trắc học được bảo vẻ an toàn hơn, tránh được các cuộc tắn công từ nhân tố có hại bên ngoài.

'Mục liêu của luận văn là nghiền cửu bài toán chỗng tắn công giả mạo khuôn mặt bằng tình ảnh hoặc video. Nghiên cửu khảo sát hiện trạng của bài toàn vẻ dộ chỉnh xác va ưu nhược điểm của một số phương pháp giải quyết hiên nay. Từ các nghiên cứu đó, trong luận văn sẽ đẻ xuất giải pháp sử dụng mang nơ-ron tích chập dược tuỳ biến dựa trên kiến trúc mang LfficientNetl30 va MobileNetv2 dé phan loại khuôn mặt đầu vào lá khuôn mặt thật hay giả mao. Ngoài ra trong luận văn cũng sẽ tiến banh mö phỏng thử nghiệm thực tê để do dạc vẻ thời gian, dộ chỉnh xác,.

từ đỏ dánh giả khả nắng ủng dụng của giải pháp đã Ina chon. CHƯƠNG 3: MÔ HÌNH TRIÊN KHAI THỬ NGHIỆM. Giải pháp thứ nghiệm 31 3. Giãi pháp thứ nhất: giải quyết như bái toán phân loại ảnh hai lớp (thật và giá mạo) với đữ liệu đâu vào là ảnh RGŒB.

Giải pháp thứ hai: sử dụng ảnh RG13 và thêm thông tín độ sấu của ánh. Đánh giả Ihực nghiệm. Chuan bi dit ligu. Kịch bản và các thông số đánh giá kết quả - 39 3.

Kết quả thực nghiệm khi chỉ sử dụng đầu vào là ảnh EGB.