" > استراتژی های تکرار شونده برای تشخیص دستکاری صورت در فیلم ها - یادگیری عمیق
با ما تماس بگیرید
ساعت : 8 الی 23
09117983709 - 09330859275
(مشاوره و سفارش پروژه)
totop

استراتژی های تکرار شونده برای تشخیص دستکاری صورت در فیلم هایکشنبه ۰۳, فروردین ۱۳۹۹

دستکاری صورت در فیلم

استراتژی های تکرار شونده برای تشخیص دستکاری صورت در فیلم ها

مدل برگشتی تکرار شونده

مدل برگشتی تکرار شونده، نمونه ای از روش یادگیری عمیق است که در به کار بردن اطلاعات زمانی دامنه تصاویر تاثیر دارد و با استراتژی خاص خود امکان تشخیص ویرایش صورت با تکنولوژی های Deepfake، Face2Face و FaceSwap را میسر می سازد که این کار با ارزیابی داده های مجموعه داده FaceForensics++ انجام می شود و دقت تشخیص را به میزان بیش از ۴ درصد افزایش می دهد.جهت سفارش انجام پروژه های یادگیری عمیق به بخش سفارش پروژه سایت مراجعه نمایید.

دو تغییرکپی کردن حرکت و ترکیب تصاویر برای دستکاری فیلمها استفاده می شد که اخیرا دستکاری اتوماتیک دیجیتالی نیز به ان اضافه شده که بسیار پرطرفدار است.

تولید محتوا با فناوری یادگیری ماشین

قبلا ابزارها به کاربران در تولید محتوا کمک می کردند اما امروزه با استفاده از فناوری یادگیری ماشین، بدون دخالت دست محتوا ایجاد می شود و کاربران فقط باید استفاده از GUI ها یعنی رابط های گرافیکی را بلد باشند به عبارت دیگر با دسترسی کاربران به پردازنده های گرافیکی، تولید محتواهای غیرحقیقی برای همه امکان پذیر شده است که البته در بیشتر مواقع دارای خطاهای غیرواقعی است که با راهکارهایی قابل تشخیص است.

برای ویرایش یک فیلم لازم است که اصلاحات به صورت فریم به فریم انجام شود که پیشنهاد می شود برای به تصویر کشیدن تصاویر غیر طبیعی در یک فیلم از اشیای موقت استفاده بشود.

سه رویکرد عمده برای گردازش فیلم ها با یادگیری عمیق 

  1. تحقیق در مورد دو شاخه پردازش جداگانه ویدیو در شبکه، یعنی قاب ویدیویی RGB و نسخه نوری آن و توجه به این که حرکت از طریق فریم ها انجام می شود.
  2. شبکه ای مجزا که با لایه های تکرار شونده به وجود می آید و محتوای همه قاب ها در یک شبکه عصبی دیگر جمع اوری می شود که با استخراج ویژگیهای مربوط به آنها، تصمیم گیریهای بعدی میسرمی شود که روش های مبتنی بر معماری دو شاخه ای که در بالا ذکر شد در تشخیص عملکرد تاثیرگذار است ولی برای به دست اوردن جزییات کار کارایی ندارد که پیچیدگی های سه بعدی می تواند برای رسیدن ما به این هدف موثر باشد.
  3. ما از رمزگذاری CNN استفاده می کنیم و با یک مدل تکرار شونده مثل تجزیه اجزای صورت و یا افزایش سنی صورت، ناهنجاری ها را تشخیص می دهیم.

ویرایش صورت در فیلم ها

برای ویرایش صورت در فیلمها قاعده و قانون خاصی وجود ندارد و هر نرم افزاری روند کاری خود را دارد. FaceForensics ++ (FF ++)  فیلم ها را با روش Face2Face و با تقویت مجموعه ها  براساس Deepfake و FaceSwap  کار می کند که دارای مجموعه داده بزرگی برای این کار است. در Deepfake، با استفاده از یک شبکه اتوماتیک، دو شاخه تصویر ایجاد می شود و تعویض چهره در ان انجام می شود. در این روش از رمزگذاری برای فشرده سازی اطلاعات هم استفاده می شود.

FaceSwap، یک روش مبتنی بر گرافیک برای دستیابی به همان تعویض بخش صورت فرد است که برخلاف Deepfakes، میتواند بر روی تعداد زیادی سوژه مورد استفاده قرار گیرد اما امکان غیرواقعی به نظر رسیدن آن بیشتر است. و البته روش Face2Face واقعی تر عمل می کند.

روش مورد نظر ما دارای دو مرحله است:

  1. برداشتن و تراز کردن چهره از قاب ویدیویی: که برای این کار از ماسک های آماده استفاده می شود و از دو روش تراز مشخص با استفاده از نشانه های صورت و هم ترازی ضمنی از یک شبکه فضایی برای تراز کردن چهره استفاده میکنیم.
  2. تشخیص دستکاری در ناحیه صورت: که از یک شبکه بازگشتی همزمان برای تشخیص استفاده می شود و براساس استفاده از اختلافات زمانی در فریم های متوالی است.

با توجه به این که FaceForensics ++ دارای مجموعه داده کوچکی در حدود ۱۰۰۰ عکس است در این مدل از ResNet و DenseNet  به عنوان یک معماری مناسب CNN بهره بردیم تا ویژگی های تصاویر را در سطوح مختلف سلسله مراتبی استخراج کنیم.

همیارپروژه امیدوار است این مطلب برای شما عزیزان مفید بوده باشد.متذکر میشویم که برای پروژه هایی با عنوان تشخیص دستکاری صورت در فیلم ها وجود نرم افزارهایی همچون متلب و پایتون کاربرد بسیاری دارد و ما میتوانیم شما عزیزان را در انجام پروژه های متلب و همچنین انجام پروژه های پایتون در این حوزه یاری رسانیم.درصورتی که چنین پروژه ای دارید و نیاز به مشاوره و یا سفارش پروژه دارید میتوانید با شماره ۰۹۱۲۹۵۴۰۱۲۲ تماس بگیرید تا به شما کمک کنیم.

 

 


پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

حق نشر برای همیارپروژه – مرجع اصلی پروژه های متلب و پایتون محفوظ است.