Deep Ensemble Learning for Fake Digital Image Detection: A Convolutional Neural Network-Based Approach
Notice bibliographique
Résumé
The advent of deep learning (DL) technologies has paved the way for a plethora of applications, the creation of hyperrealistic images via generative adversarial networks (GANs) being a compelling example.However, these synthetic images, nearly indistinguishable from genuine ones to the human eye, can be exploited for nefarious activities such as cybercrime, extortion, politically motivated campaigns, propaganda, among others.This paper proposes a deep ensemble learning approach to detect such counterfeit images, aiming to mitigate the issues arising from deepfake multimedia.The impetus for engaging ensemble models stems from their capacity to reduce the generalization error of predictions, provided the foundational models exhibit diversity and independence.Consequently, the prediction error diminishes when an ensemble approach is deployed.In this study, the CASIA v2 benchmark datasets, comprising 12,323 color images (5,123 originals and 7,200 counterfeits), were utilized.This investigation employed an ensemble of 13 pre-trained CNN models.The ensemble technique amalgamates these models to form a comprehensive perceptual model, wherein each model contributes to the final outcome.The classification predictions from each model are considered a 'vote', with the majority verdict serving as the final prediction.The proposed methodology was also juxtaposed with prevailing techniques.Assessment of our approach's efficacy revealed a 100% accuracy rate, 97.75% precision, 87.46% recall, and 99.9% AUC, underscoring the improvement offered by the proposed system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».