Nhận Dạng Ảnh Giả Mạo: Luận Văn Thạc Sĩ về Phân Lớp Kết Hợp Biến Đổi Ảnh Đầu Vào

I. Tổng Quan Nhận Dạng Ảnh Giả Mạo Luận Văn Thạc Sĩ 58

Ngày nay, Image Forensics đang trở thành một lĩnh vực quan trọng trong xử lý ảnh. Sự phát triển của các công cụ chỉnh sửa ảnh đặt ra thách thức lớn trong việc xác minh tính xác thực hình ảnh. Việc làm giả ảnh, dù có thể mang lại lợi ích trong nghệ thuật, lại gây ra nhiều tác động tiêu cực trong nhiều trường hợp. Các phương pháp bảo vệ tính toàn vẹn ảnh như watermarking và chữ ký số yêu cầu thông tin trước về ảnh gốc. Do đó, việc xác định tính toàn vẹn ảnh mà không có thông tin trước trở thành một vấn đề cấp thiết trong Image Forensics. Hiện tại, các giải thuật phát hiện ảnh giả mạo phổ biến bao gồm Local Binary Patterns và Deep Learning. Trong đó Deep Learning đang được ưu tiên sử dụng. Luận văn này đi sâu vào nghiên cứu và xây dựng cách thức nhận dạng ảnh giả mạo dựa trên phân lớp kết hợp biến đổi ảnh đầu vào, tập trung vào ảnh Splicing.

1.1. Vấn Đề Cấp Thiết của Phát Hiện Giả Mạo Hình Ảnh

Việc xác minh tính xác thực hình ảnh trở nên quan trọng khi các công cụ và công nghệ hiện đại can thiệp vào hình ảnh một cách tinh vi. Xác định ảnh thật và ảnh giả mạo, đặc biệt là ảnh Splicing, là một thách thức lớn. Sự phát triển của AI phát hiện ảnh giả đang trở thành một hướng đi tiềm năng trong lĩnh vực này, nhằm đáp ứng nhu cầu ngày càng cao về tính xác thực thông tin trực quan.

1.2. Giới Thiệu Phương Pháp Phân Lớp Kết Hợp Biến Đổi Ảnh

Luận văn này đề xuất phương pháp phân lớp ảnh giả mạo kết hợp với biến đổi ảnh đầu vào để nâng cao khả năng nhận diện ảnh giả mạo. Phương pháp này tập trung vào việc trích xuất các đặc trưng quan trọng của ảnh sau khi đã được biến đổi, từ đó phân loại và xác định xem ảnh có phải là giả mạo hay không. Mục tiêu là đóng góp vào sự phát triển của các phương pháp phát hiện giả mạo hình ảnh hiệu quả hơn.

II. Phân Loại Ảnh Giả Mạo Copy Move và Splicing 55

Ảnh giả mạo là kết quả của việc biến đổi ảnh thông qua các phần mềm chuyên dụng. Có hai loại ảnh giả mạo chính: Copy-Move và Splicing. Ảnh Copy-Move bao gồm các thành phần được sao chép và di chuyển trong cùng một ảnh. Ảnh Splicing là ảnh được tạo ra bằng cách cắt ghép các thành phần từ nhiều ảnh khác nhau. Việc phát hiện Copy-move forgery detection và Splicing detection đòi hỏi các kỹ thuật phân tích khác nhau. Luận văn này tập trung vào ảnh Splicing, một loại image manipulation detection phổ biến và khó phát hiện. "Ảnh giả mạo là một kỹ thuật biến đổi ảnh thông qua các phần mềm... Ảnh giả mạo gồm 02 (hai) loại: Ảnh Copy – Move và Ảnh Splicing"

2.1. Đặc Điểm Nhận Dạng Ảnh Copy Move Giả Mạo

Ảnh Copy-Move là loại ảnh mà các phần của ảnh được sao chép và dán vào vị trí khác trong cùng một ảnh. Điều này thường được sử dụng để che giấu thông tin hoặc tạo ra một hình ảnh sai lệch. Việc phát hiện Copy-move forgery detection đòi hỏi việc tìm kiếm các vùng tương đồng trong ảnh.

2.2. Khám Phá Ảnh Splicing Cắt Ghép và Biến Đổi

Ảnh Splicing được tạo ra bằng cách kết hợp các phần từ nhiều ảnh khác nhau. Các phần này có thể được cắt, ghép, và biến đổi để tạo ra một hình ảnh mới. Việc phát hiện splicing thường khó khăn hơn Copy-Move vì các phần được ghép có thể đến từ các nguồn khác nhau và có sự khác biệt về ánh sáng, màu sắc, và độ phân giải.

2.3. Tầm Quan Trọng của Việc Phân Loại Ảnh Giả Mạo

Việc phân loại ảnh giả mạo thành Copy-Move và Splicing là quan trọng vì mỗi loại đòi hỏi các kỹ thuật phát hiện khác nhau. Hiểu rõ về đặc điểm của từng loại giúp các nhà nghiên cứu phát triển các phương pháp phát hiện hiệu quả hơn. Luận văn này tập trung vào ảnh Splicing, một loại phát hiện giả mạo hình ảnh phổ biến và khó phát hiện.

III. Phương Pháp Biến Đổi Ảnh Đầu Vào Cải Thiện Độ Chính Xác 60

Phương pháp biến đổi ảnh đầu vào đóng vai trò quan trọng trong việc cải thiện độ chính xác của các mô hình nhận diện ảnh giả mạo. Bằng cách tiền xử lý ảnh, ta có thể làm nổi bật các đặc trưng quan trọng và giảm thiểu ảnh hưởng của các yếu tố gây nhiễu. Các kỹ thuật biến đổi ảnh có thể bao gồm tăng cường độ tương phản, làm sắc nét ảnh, và loại bỏ nhiễu. Việc kết hợp biến đổi ảnh đầu vào với các mô hình học sâu như Convolutional Neural Network (CNN) có thể mang lại kết quả vượt trội. Mô hình Inception V3 được sử dụng vì tốc độ huấn luyện nhanh và tính toán hiệu quả.

3.1. Tăng Cường Độ Tương Phản và Làm Sắc Nét Hình Ảnh

Các kỹ thuật tăng cường độ tương phản và làm sắc nét hình ảnh giúp làm nổi bật các chi tiết quan trọng trong ảnh, chẳng hạn như các đường biên và các vùng có sự thay đổi đột ngột về màu sắc. Điều này có thể giúp các mô hình học máy dễ dàng nhận diện các dấu hiệu của phát hiện giả mạo hình ảnh.

3.2. Loại Bỏ Nhiễu và Giảm Thiểu Ảnh Hưởng của Ánh Sáng

Nhiễu và sự thay đổi về ánh sáng có thể gây ảnh hưởng đến độ chính xác của các mô hình nhận diện ảnh giả mạo. Các kỹ thuật loại bỏ nhiễu và giảm thiểu ảnh hưởng của ánh sáng giúp cải thiện chất lượng ảnh đầu vào và tăng cường khả năng phân lớp ảnh giả mạo.

3.3. Kết Hợp Biến Đổi Ảnh và Mô Hình Học Sâu CNN

Việc kết hợp biến đổi ảnh đầu vào với các mô hình học sâu như CNN là một phương pháp hiệu quả để phát hiện giả mạo hình ảnh. CNN có khả năng tự động trích xuất các đặc trưng quan trọng từ ảnh, và việc tiền xử lý ảnh bằng các kỹ thuật biến đổi giúp CNN tập trung vào các đặc trưng quan trọng nhất.

IV. Ứng Dụng Inception V3 Huấn Luyện và Đánh Giá Mô Hình 59

Luận văn sử dụng Inception V3, một kiến trúc mô hình học sâu phát hiện ảnh giả, để huấn luyện và đánh giá mô hình nhận diện ảnh giả mạo. Inception V3 được chọn vì tốc độ huấn luyện nhanh và hiệu quả tính toán. Quá trình huấn luyện bao gồm việc sử dụng tập dữ liệu ảnh thật và ảnh giả mạo đã được tiền xử lý. Sau khi huấn luyện, mô hình được đánh giá bằng cách sử dụng các chỉ số như độ chính xác, độ nhạy, và độ đặc hiệu. Kết quả cho thấy phương pháp đề xuất đạt độ chính xác cao trong việc phân lớp ảnh giả mạo.

4.1. Chi Tiết Quá Trình Huấn Luyện Mô Hình với Inception V3

Quá trình huấn luyện mô hình với Inception V3 bao gồm việc chuẩn bị tập dữ liệu, cấu hình các tham số huấn luyện, và theo dõi hiệu suất của mô hình trong quá trình huấn luyện. Việc sử dụng các kỹ thuật như Attention Mechanism có thể giúp cải thiện độ chính xác của mô hình.

4.2. Các Chỉ Số Đánh Giá Hiệu Suất Mô Hình Phát Hiện Ảnh Giả

Các chỉ số như độ chính xác, độ nhạy, và độ đặc hiệu được sử dụng để đánh giá hiệu suất của mô hình phát hiện ảnh giả mạo. Độ chính xác đo lường tỷ lệ các dự đoán đúng trên tổng số các dự đoán. Độ nhạy đo lường khả năng của mô hình trong việc phát hiện các ảnh giả mạo thực sự. Độ đặc hiệu đo lường khả năng của mô hình trong việc xác định các ảnh thật.

4.3. So Sánh Kết Quả với Các Phương Pháp Nhận Diện Khác

Kết quả của phương pháp đề xuất được so sánh với các phương pháp nhận diện ảnh giả mạo khác để đánh giá tính hiệu quả của phương pháp. Việc so sánh này giúp xác định xem phương pháp đề xuất có mang lại cải thiện đáng kể so với các phương pháp hiện có hay không.

V. Kết Quả và Ứng Dụng Đóng Góp vào Image Forensics 52

Kết quả nghiên cứu cho thấy phương pháp phân lớp kết hợp biến đổi ảnh đầu vào đạt độ chính xác cao trong việc nhận diện ảnh giả mạo, đặc biệt là ảnh Splicing. Điều này chứng tỏ hiệu quả của phương pháp đề xuất và đóng góp vào lĩnh vực Image Forensics. Nghiên cứu này có thể được ứng dụng trong nhiều lĩnh vực, bao gồm xác minh tính xác thực của tin tức trực tuyến, phát hiện gian lận bảo hiểm, và bảo vệ quyền sở hữu trí tuệ. "Với độ chính xác cao cho thấy hiệu quả của phương pháp được đề xuất và cũng là một đóng góp mới cho lĩnh vực giám định ảnh (Image Forensics)."

5.1. Xác Minh Tính Xác Thực của Tin Tức và Thông Tin Trực Tuyến

Trong thời đại thông tin lan truyền nhanh chóng, việc xác minh tính xác thực của tin tức và thông tin trực tuyến trở nên vô cùng quan trọng. Phương pháp nhận diện ảnh giả mạo có thể được sử dụng để phát hiện các hình ảnh sai lệch và ngăn chặn sự lan truyền của tin giả.

5.2. Ngăn Chặn Gian Lận Bảo Hiểm và Bảo Vệ Quyền Sở Hữu

Phương pháp phát hiện giả mạo hình ảnh có thể được sử dụng để ngăn chặn các hành vi gian lận bảo hiểm, chẳng hạn như việc sử dụng ảnh giả để yêu cầu bồi thường. Ngoài ra, phương pháp này cũng có thể giúp bảo vệ quyền sở hữu trí tuệ bằng cách phát hiện các hình ảnh vi phạm bản quyền.

5.3. Hướng Nghiên Cứu Tương Lai và Phát Triển Tiềm Năng

Nghiên cứu này có thể được mở rộng để phát triển các phương pháp phát hiện ảnh giả mạo hiệu quả hơn, chẳng hạn như bằng cách sử dụng các kiến trúc mạng nơ-ron tiên tiến hơn hoặc bằng cách kết hợp các thông tin khác, chẳng hạn như metadata của ảnh. Việc phát triển các công cụ AI phát hiện ảnh giả tự động và dễ sử dụng cũng là một hướng đi tiềm năng.

VI. Kết Luận Tương Lai của Nhận Dạng Ảnh Giả Mạo 51

Luận văn đã trình bày một phương pháp hiệu quả để nhận diện ảnh giả mạo dựa trên phân lớp kết hợp biến đổi ảnh đầu vào. Phương pháp này có tiềm năng ứng dụng rộng rãi trong nhiều lĩnh vực và đóng góp vào việc xây dựng một môi trường mạng lành mạnh và an toàn hơn. Các nghiên cứu trong tương lai có thể tập trung vào việc cải thiện độ chính xác và khả năng chống lại các cuộc tấn công đối kháng của các mô hình phát hiện ảnh giả mạo.

6.1. Tóm Tắt Những Đóng Góp Chính của Luận Văn

Luận văn đã đề xuất một phương pháp mới để nhận diện ảnh giả mạo kết hợp các kỹ thuật biến đổi ảnh đầu vào và mô hình học sâu InceptionV3. Phương pháp này đã được chứng minh là hiệu quả và có tiềm năng ứng dụng rộng rãi.

6.2. Thách Thức và Hướng Đi Cho Nghiên Cứu Tiếp Theo

Một thách thức lớn trong lĩnh vực phát hiện ảnh giả mạo là sự phát triển không ngừng của các kỹ thuật tạo ảnh giả mạo, chẳng hạn như deepfake. Nghiên cứu trong tương lai cần tập trung vào việc phát triển các mô hình có khả năng chống lại các cuộc tấn công đối kháng và có thể nhận diện các loại ảnh giả mạo mới.

6.3. Tầm Quan Trọng của Phát Triển Công Cụ AI Phát Hiện Ảnh Giả

Việc phát triển các công cụ AI phát hiện ảnh giả tự động và dễ sử dụng là rất quan trọng để giúp người dùng phổ thông có thể tự bảo vệ mình khỏi các hình ảnh sai lệch và tin giả. Các công cụ này có thể được tích hợp vào các nền tảng mạng xã hội, công cụ tìm kiếm, và các ứng dụng khác.

Tổng quan nghiên cứu

Trong bối cảnh cuộc cách mạng công nghiệp 4.0 phát triển mạnh mẽ, lĩnh vực xử lý ảnh và nhận dạng ảnh giả mạo ngày càng trở nên cấp thiết. Theo ước tính, số lượng hình ảnh được chia sẻ trên các nền tảng mạng xã hội và các trang web tăng lên hàng trăm triệu mỗi ngày, kéo theo nguy cơ lan truyền các hình ảnh giả mạo, đặc biệt là ảnh dạng Splicing – hình ảnh được cắt ghép từ nhiều nguồn khác nhau. Việc phát hiện và phân loại chính xác các ảnh giả mạo này đóng vai trò quan trọng trong bảo vệ tính toàn vẹn thông tin và xây dựng môi trường mạng lành mạnh.

Luận văn tập trung nghiên cứu và xây dựng phương pháp nhận dạng ảnh giả mạo dạng Splicing dựa trên phương pháp phân lớp kết hợp biến đổi ảnh đầu vào, sử dụng mô hình học sâu Inception V3. Nghiên cứu được thực hiện trong khoảng thời gian từ tháng 8/2021 đến tháng 2/2022 tại khu vực tỉnh Đồng Tháp, với dữ liệu thu thập từ tập ảnh Columbia và các ảnh thực tế tại Việt Nam, tổng cộng khoảng 2.629 ảnh. Mục tiêu cụ thể là phát triển mô hình phân loại ảnh giả mạo với độ chính xác cao, tiết kiệm thời gian xử lý trong các tập dữ liệu lớn.

Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao hiệu quả phát hiện ảnh giả mạo, góp phần giảm thiểu rủi ro thông tin sai lệch trên mạng xã hội và các ứng dụng thực tế trong giám định hình ảnh (Image Forensics). Độ chính xác trung bình đạt được là 93,7%, cho thấy tiềm năng ứng dụng rộng rãi của phương pháp đề xuất.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

Mạng nơ ron tích chập (Convolutional Neural Network - CNN): Mạng CNN là mô hình học sâu phổ biến trong xử lý ảnh, với khả năng trích xuất đặc trưng cục bộ và giảm số lượng tham số nhờ kết nối cục bộ và chia sẻ tham số. Các tầng chính gồm tầng tích chập, tầng gộp (pooling) và tầng fully-connected.
Kiến trúc Inception V3: Là phiên bản cải tiến của Inception V1, Inception V3 sử dụng các khối Inception module với các bộ lọc kích thước khác nhau (1x1, 3x3, 5x5) kết hợp batch normalization và hàm kích hoạt ReLU, giúp tăng hiệu quả tính toán và giảm hiện tượng thắt cổ chai trong mạng.
Các hàm kích hoạt: Hàm ReLU được sử dụng phổ biến nhờ tốc độ hội tụ nhanh và hiệu quả trong huấn luyện mạng sâu, thay thế cho hàm sigmoid truyền thống.
Kỹ thuật tiền xử lý ảnh: Sử dụng các phương pháp nâng cao chất lượng ảnh như Contrast và Enhance nhằm làm nổi bật vùng giả mạo, giúp mô hình học sâu nhận diện đặc trưng hiệu quả hơn.

Phương pháp nghiên cứu

Nguồn dữ liệu: Tập dữ liệu gồm 363 ảnh từ Columbia (183 ảnh thật, 180 ảnh Splicing) và khoảng 2.266 ảnh thu thập thực tế tại Việt Nam, tổng cộng 2.629 ảnh.
Phương pháp phân tích: Ảnh đầu vào được tiền xử lý bằng kỹ thuật Contrast kết hợp Enhance để làm nổi bật vùng giả mạo. Mô hình Inception V3 được huấn luyện trên tập dữ liệu đã xử lý với batch size 64, số epoch 100, learning rate 0.0001.
Timeline nghiên cứu: Từ tháng 8/2021 đến tháng 2/2022, bao gồm các bước thu thập dữ liệu, tiền xử lý, xây dựng mô hình, huấn luyện và đánh giá kết quả.
Cỡ mẫu và chọn mẫu: Dữ liệu được chọn từ tập chuẩn và thực tế nhằm đa dạng hóa và tăng tính đại diện cho mô hình. Phương pháp chọn mẫu ngẫu nhiên đảm bảo tính khách quan.
Đánh giá: Sử dụng các chỉ số Accuracy, Precision, Recall, F1-score và Confusion Matrix để đánh giá hiệu quả mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Độ chính xác phân loại ảnh giả mạo: Mô hình Inception V3 kết hợp tiền xử lý ảnh đạt độ chính xác trung bình 93,7% trong việc phân loại ảnh Splicing và ảnh thật trên tập dữ liệu 2.629 ảnh.
Hiệu quả tiền xử lý ảnh: Việc áp dụng kỹ thuật Contrast kết hợp Enhance giúp làm nổi bật vùng giả mạo, tăng độ chính xác phân loại lên khoảng 5-7% so với mô hình không tiền xử lý.
Phân loại nhầm lẫn: Qua Confusion Matrix, trong 172 ảnh lớp NoForgery, mô hình nhận dạng đúng 140 ảnh (81,4%) và nhầm 32 ảnh (18,6%) sang lớp Splicing. Trong 556 ảnh lớp Splicing, mô hình nhận dạng đúng 447 ảnh (80,4%) và nhầm 109 ảnh (19,6%) sang lớp NoForgery.
Tốc độ huấn luyện: Mô hình sử dụng hàm kích hoạt ReLU và batch normalization giúp giảm số epoch cần thiết để đạt độ chính xác cao, tiết kiệm thời gian huấn luyện.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình đạt hiệu quả cao là sự kết hợp giữa tiền xử lý ảnh làm nổi bật vùng giả mạo và kiến trúc Inception V3 tối ưu trong việc trích xuất đặc trưng đa cấp độ. So với các nghiên cứu trước đây chỉ tập trung vào việc xác định vùng giả mạo, luận văn tập trung vào phân loại tổng thể ảnh, giúp tiết kiệm thời gian xử lý trên tập dữ liệu lớn.

Kết quả phù hợp với các báo cáo ngành về xu hướng ứng dụng học sâu trong giám định ảnh, đồng thời mở rộng phạm vi ứng dụng bằng cách kết hợp dữ liệu thực tế tại Việt Nam, tăng tính thực tiễn và khả năng áp dụng trong môi trường mạng xã hội đa dạng.

Dữ liệu có thể được trình bày qua biểu đồ Accuracy theo epoch, biểu đồ Confusion Matrix và bảng so sánh các chỉ số Precision, Recall, F1-score giữa mô hình có và không tiền xử lý.

Đề xuất và khuyến nghị

Áp dụng tiền xử lý ảnh nâng cao: Khuyến nghị các nhà nghiên cứu và phát triển ứng dụng sử dụng kỹ thuật Contrast kết hợp Enhance để làm nổi bật vùng giả mạo, giúp tăng độ chính xác nhận dạng ảnh giả mạo. Thời gian thực hiện: ngay trong giai đoạn tiền xử lý dữ liệu.
Sử dụng kiến trúc Inception V3 hoặc các phiên bản cải tiến: Đề xuất áp dụng Inception V3 trong các hệ thống nhận dạng ảnh giả mạo để tận dụng khả năng trích xuất đặc trưng đa cấp độ và giảm số lượng tham số, giúp tăng tốc độ huấn luyện và độ chính xác. Thời gian triển khai: 3-6 tháng.
Mở rộng tập dữ liệu huấn luyện: Khuyến khích thu thập thêm dữ liệu thực tế đa dạng, đặc biệt là các ảnh giả mạo dạng Splicing phổ biến trên mạng xã hội Việt Nam, nhằm nâng cao tính đại diện và khả năng tổng quát của mô hình. Chủ thể thực hiện: các tổ chức nghiên cứu, doanh nghiệp công nghệ.
Ứng dụng Mantranet trong huấn luyện: Đề xuất nghiên cứu và ứng dụng mạng Mantranet để cải thiện độ chính xác và khả năng học của mô hình trong các nghiên cứu tiếp theo. Thời gian nghiên cứu: 6-12 tháng.
Phát triển hệ thống giám định ảnh tự động: Khuyến nghị xây dựng hệ thống phần mềm tích hợp mô hình nhận dạng ảnh giả mạo để hỗ trợ các cơ quan báo chí, pháp luật và doanh nghiệp trong việc kiểm tra tính xác thực của hình ảnh. Chủ thể thực hiện: các công ty công nghệ, cơ quan quản lý.

Đối tượng nên tham khảo luận văn

Nhà nghiên cứu và sinh viên ngành Khoa học Máy tính, Trí tuệ nhân tạo: Luận văn cung cấp kiến thức chuyên sâu về mạng nơ ron tích chập, kiến trúc Inception V3 và ứng dụng học sâu trong xử lý ảnh giả mạo, hỗ trợ phát triển các đề tài nghiên cứu liên quan.
Chuyên gia phát triển phần mềm và ứng dụng AI: Các kỹ thuật tiền xử lý ảnh và mô hình huấn luyện chi tiết giúp xây dựng các giải pháp nhận dạng ảnh giả mạo hiệu quả, tiết kiệm thời gian và chi phí.
Cơ quan báo chí, truyền thông và pháp luật: Hỗ trợ trong việc xác minh tính xác thực của hình ảnh, giảm thiểu rủi ro thông tin sai lệch, góp phần bảo vệ uy tín và pháp lý.
Doanh nghiệp công nghệ và an ninh mạng: Áp dụng mô hình để phát triển các sản phẩm giám định ảnh, bảo vệ thương hiệu và chống lại các hành vi giả mạo trên môi trường số.

Câu hỏi thường gặp

Phương pháp nhận dạng ảnh giả mạo dạng Splicing là gì?
Phương pháp sử dụng mô hình học sâu Inception V3 kết hợp tiền xử lý ảnh bằng kỹ thuật Contrast và Enhance để làm nổi bật vùng giả mạo, từ đó phân loại ảnh thật và ảnh giả mạo với độ chính xác cao.
Tại sao cần tiền xử lý ảnh trước khi huấn luyện mô hình?
Tiền xử lý giúp làm nổi bật các đặc trưng vùng giả mạo, tăng khả năng nhận diện của mô hình, đồng thời cải thiện độ chính xác phân loại lên khoảng 5-7% so với không tiền xử lý.
Inception V3 có ưu điểm gì so với các kiến trúc CNN khác?
Inception V3 sử dụng các khối Inception module với bộ lọc đa kích thước, batch normalization và hàm kích hoạt ReLU giúp giảm số lượng tham số, tăng tốc độ huấn luyện và giảm hiện tượng thắt cổ chai, từ đó nâng cao hiệu quả nhận dạng.
Độ chính xác của mô hình đạt được là bao nhiêu?
Mô hình đạt độ chính xác trung bình 93,7% trên tập dữ liệu 2.629 ảnh, trong đó có cả ảnh thật và ảnh giả mạo dạng Splicing.
Mô hình có thể áp dụng trong thực tế như thế nào?
Mô hình có thể được tích hợp vào các hệ thống giám định ảnh tự động, hỗ trợ các cơ quan báo chí, pháp luật và doanh nghiệp trong việc kiểm tra tính xác thực của hình ảnh trên mạng xã hội và các nền tảng số.

Kết luận

Luận văn đã đề xuất thành công phương pháp nhận dạng ảnh giả mạo dạng Splicing dựa trên mô hình Inception V3 kết hợp tiền xử lý ảnh, đạt độ chính xác trung bình 93,7%.
Tiền xử lý ảnh bằng kỹ thuật Contrast và Enhance đóng vai trò quan trọng trong việc làm nổi bật vùng giả mạo, giúp mô hình học sâu nhận diện hiệu quả hơn.
Nghiên cứu kết hợp dữ liệu chuẩn Columbia và dữ liệu thực tế tại Việt Nam, tăng tính đại diện và khả năng ứng dụng thực tiễn.
Kết quả nghiên cứu mở ra hướng phát triển ứng dụng Mantranet trong huấn luyện mô hình nhằm nâng cao độ chính xác trong tương lai.
Khuyến nghị áp dụng phương pháp trong các hệ thống giám định ảnh tự động để bảo vệ môi trường mạng và thông tin số.

Các nhà nghiên cứu và doanh nghiệp công nghệ nên tiếp tục mở rộng tập dữ liệu, ứng dụng các kỹ thuật học sâu tiên tiến và phát triển hệ thống giám định ảnh tự động dựa trên kết quả nghiên cứu này nhằm nâng cao hiệu quả và độ tin cậy trong nhận dạng ảnh giả mạo.

NHẬN DẠNG ẢNH GIẢ MẠO DỰA TRÊN PHƯƠNG PHÁP PHÂN LỚP KẾT HỢP BIẾN ĐỔI ẢNH ĐẦU VÀO