جعل عمیق (دیپ فیک) به معنای تولید محتوای متحرک (ویدیویی) با تقلید، شبیه سازی یا جایگزین کردن چهره از پیش موجود است. به نحوی که بیننده تصور می کند، ویدیوی تولید شده، واقعیت دارد؛ اما واقعی نیست. فناوری یادگیری عمیق که مبتنی بر هوش مصنوعی می باشد، امکان تولید چنین محتوایی را فراهم ساخته است. موضوعی که این مقاله بر آن تمرکز دارد، جنبه های حقوقی جعل عمیق و به طور خاص، سوء استفاده هایی است که امکان دارد از محتوای جعلی بشود یا اساسا ممکن است محتوای جعلی با هدف تقلب، سوء استفاده، فریب افکار عمومی یا تخریب شخصیت یک چهره مشهور تولید و/یا پخش شود. پرسش عمده این است که جعل عمیق، چه چالش هایی حقوقی را در پی دارد و آیا قوانین و مقررات کیفری و مسوولیت مدنی موجود، پاسخگوی وضعیت جدیدی که با گسترش جعل عمیق پیش آمده، هستند یا خیر؟ در راستای پاسخ به چنین پرسش هایی، در این مقاله، ویژگیها و چالش های عملی جعل عمیق، استفاده از مفاد عهدنامه های مالکیت فکری برای مدیریت جعل و راهکارهای حقوقی کاهش و مدیریت جعل عمیق مورد بررسی قرار می گیرند.

تکنولوژی جعل عمیق امکان تولید و ایجاد خودکار محتوای ویدیویی (جعلی) را از طریق شبکه های متخاصم مولد فراهم می سازد. فناوری جعل عمیق یک فناوری بسیار چالش برانگیز با ابعاد بسیار گسترده در مسائل مختلف می باشد که بر جامعه تأثیر مستقیم می گذارد، به عنوان مثال این تکنولوژی ممکن است باعث سوگیری در انتخابات، ایجاد محتوای غیراخلاقی به منظور اخاذی، ایجاد جریانات سیاسی و غیره شود. تحقیقات زیادی به توسعه روش های تشخیص جعل عمیق برای کاهش تأثیر منفی بالقوه جعل عمیق اختصاص داده شده است. استفاده از شبکه های عصبی و یادگیری عمیق یک رویکرد مشترک بین تمام تحقیقات انجام شده در این حوزه می-باشد. در این پژوهش، از ترکیب دو شبکه عصبی GRU و LSTM برای تشخیص جعل استفاده شده است. به گونه ای که ابتدا از شبکه ی عصبی Resnet برای استخراج ویژگی های هر فریم استفاده شده و سپس دولایه GRU و LSTM با استفاده از این ویژگی ها آموزش داده شده و نهایتا آموزش لایه تماما متصل به منظور طبقه بندی نمونه های ورودی به کار گرفته می شود. برای آموزش و ارزیابی روش پیشنهادی از مجموعه داده های FaceForensics++، Celeb-DF و Deepfake Detection Challenge استفاده شده است. نتایج نشان می دهد که روش پیشنهادی صحت تشخیص 97، 93 و 84 درصدی برای مجموعه داده های ذکر شده کسب شده است و این نتایج بهبود بیش از 2 درصدی را به نسبت کارهای مشابه به همراه داشته است

وقتی از خیایان انقلاب به راسته کتاب فروشان نزدیک می شویم تابلوها و بازاریابان بسیاری ما را به سمت دکان ها و دکه هایی هدایت می کنند که شغلشان نوشتن پایان نامه کارشناسی ارشد، رساله دکتری، مقاله علمی پژوهشی و. . . است...

امروزه از تصاویر به عنوان ابزار ارتباطی قوی و منبعی از اطلاعات استفاده می شود. تصاویر در برخی از کاربردها مانند پزشکی، قضایی و پزشکی قانونی به عنوان مدرک و شاهد استفاده می شوند، بنابراین صحت تصویر مهم است. امروزه با گسترش و دردسترس بودن ابزارهای ویرایش تصویر، افراد می توانند به راحتی تصاویر را دست کاری کنند. آن ها با اضافه کردن بخشی به تصویر یا حذف کردن بخشی از تصویر و توزیع اطلاعات غلط اهداف و مشکل های سیاسی، فرهنگی، اقتصادی و اجتماعی را دنبال می کنند. ازاین رو تشخیص جعل تصاویر دیجیتال یکی از موضوع های مهم و چالش برانگیز در حوزه بینایی کامپیوتر است. در این پژوهش هدف شناسایی تصاویر و پیکسل های جعلی و سالم با استفاده از شبکه یادگیری عمیق ترکیبی است. در روش پیشنهادی از سه شبکه از پیش آموزش داده شده VGG16، MobileNet و EfficientNetB0 در سه انشعاب مختلف استفاده شده است. برای تشخیص جعل در دو سطح تصویر و پیکسل، ابتدا نقشه های ویژگی خروجی سه انشعاب با هم ادغام شده و با استفاده از لایه پولینگ میانگین جهانی و لایه امتیازدهی، تصاویر جعل و سالم تشخیص داده می شوند. در ادامه با استفاده از نقشه های ویژگی ترکیب شده از سه انشعاب بر روی تصاویر جعل، یک تصویر نقشه حرارتی ایجاد می شود و محدوده پیکسل های جعل مشخص می شوند. لازم به ذکر است تشخیص پیکسل های جعل تنها با استفاده از تصویر نقشه حرارتی ساخته شده از شبکه ترکیبی و بدون نیاز به استفاده از تصاویر حقیقی باینری مشخص کننده ناحیه جعل در فرآیند آموزش انجام شده است. روش پیشنهادی بر روی پایگاه داده CoMoFod ارزیابی شده است. نتایج ارزیابی ها عمل کردن مطلوب روش پیشنهادی را در برابر تصاویر جعل با انواع تبدیل های هندسی و عملیات پس پردازش نشان می دهد.

امروزه از تقطیع معنایی ویدئو در کاربردهای بسیاری از قبیل خودروهای بدون سرنشین، سیستم های ناوبری، سیستم های واقعیت مجازی و. . . استفاده می شود. در سال های اخیر پیشرفت چشم گیری در تقطیع معنایی تصاویر مشاهده شده است. اما از آن جا که فریم های پشت سر هم یک ویدئو باید با سرعت بالا و تاخیر کم و به صورت بلادرنگ پردازش شوند استفاده از تقطیع معنایی تصویر روی تک تک فریم های ویدئو با مشکل مواجه می شود؛ بنابراین تقطیع معنایی فریم های یک ویدئو به صورت بلادرنگ و با دقت مناسب موضوعی چالش برانگیز است. به منظور مقابله با چالش ذکر شده، در این مقاله یک چارچوب تقطیع معنایی ویدئو معرفی شده است که با در نظر گرفتن تغییرات فریم های پشت سر هم (با استفاده از جریان نوری) و بهره گیری از شبکه عمیق بازگشتی GRU، از اطلاعات تقطیع معنایی فریم های قبلی به منظور افزایش سرعت و دقت استفاده شده است. یک ورودی شبکه GRU تخمینی از تقطیع معنایی فریم فعلی (حاصل از یک شبکه عمیق کانولوشنال از پیش آموزش دیده)، و ورودی دیگر آن لغزش یافته تقطیع معنایی فریم قبلی در راستای جریان نوری دو فریم قبلی و فعلی می باشد. روش پیشنهادی دارای دقت و سرعت قابل رقابت با شناخته شده ترین و بهترین روش ها می باشد. دقت تقطیع معنایی بر اساس معیار ارزیابی mIoU روی مجموعه داده های Cityscapes و Camvid به ترتیب برابر با 83. 1 و 79. 8 می باشد. این در حالیست که در روش پیشنهادی سرعت تقطیع معنایی با استفاده از یک GPU تسلا مدل P4 روی مجموعه داده های Cityscapes و Camvid به ترتیب به 34 و 36. 3 فریم بر ثانیه رسیده است.

استفاده از یادگیری عمیق در حل مسایل مربوط به تحلیل داده های پیچیده و حجیم مانند ویدئوها گسترش یافته است. از جمله پردازش هایی که روی ویدیوها انجام می گیرد، تشخیص عمل های انسانی است که کاربردهای مهمی در حوزه نظارت خودکار، تعامل انسان با رایانه و بررسی رفتارهای سالمندان دارد. شبکه های باور عمیق از میان انواع مختلف شبکه های عمیق، به خاطر ویژگی های خاص خود، به ویژه توانایی همگرایی سریع نسبت به دیگر روش ها و ساختار یکسان لایه ها، مورد توجه قرار گرفته اند. لیکن، قدرت شبکه های باور عمیق پایه در پردازش داده های پیچیده که مبتنی بر زمان نیز هستند جای تامل دارد.در این مقاله، یک روش بازگشتی جدید بر مبنای شبکه های باور عمیق ارائه شده است. در روش پیشنهادی، توانایی پردازش و تفسیر فریم های دوبعدی ویدئو و درک مفهوم زمان به وسیله پیاده سازی بازگشتی به شبکه های باور عمیق اضافه شده است. این روش قادر به درک مفاهیم کوتاه مدت زمانی با استفاده از ماشین های بولتزمن محدود و بلند مدت زمانی بر مبنای پیاده سازی بازگشتی می باشد. روش پیشنهادی بر روی سه پایگاه داده شناخته شده در این حوزه با نام های KTH، UCF و HMDB51 ارزیابی شده و به ترتیب به دقت های برابر با 95.02، 93.14 و 74.28 دست یافته و با سایر روش های محبوب در شرایط مختلف مقایسه گردیده است.

استفاده از هوش مصنوعی برای کشف علمی جرایم در پلیس هوشمند یک الزام بوده و تحلیل تصاویر ویدئویی برای تشخیص رخدادهای هدف با استفاده از شبکه های عصبی یک هدف کلی در این مقاله می باشد. سیستم های بازیابی ویدئو با روش بازیابی مبتنی بر محتوا یک رویکرد مناسب می باشد. ویژگی بارز این روش، بازیابی محتویات بصری و ادراکی نهفته در ویدئو بوده که همان سازوکاری است که به وسیله آن، انسان می تواند تمایز میان ویدئوها را درک کند. با افزایش استفاده مردم از ویدئو در همه ابعاد روزمره مانند اخبار، مسابقات ورزشی , وغیره نیاز به جستجو و یافتن ویدئو نیز گسترش یافته است. با توجه به اینکه ویدئو در زمان کم می تواند دربرگیرنده محتویات فراوانی باشد، بهترین روش جستجو که می تواند مشابه ترین ویدئوها را استخراج کند، پرسش ویدئویی می باشد. روش های رایج بازیابی ویدئو از ویژگی های کلی فریم ها برای مقایسه و بازیابی ویدئوهای مشابه استفاده می کنند. استفاده از ویژگی ها و اطلاعات کلی فریم ها ممکن است موجب از دست رفتن درون مایه و موضوع اصلی ویدئوها شود. از این رو در این مقاله نقش شیء مورد علاقه در ویدئو مورد بررسی قرارگرفته است. استخراج ویژگی از فریم ها با استفاده از شبکه عصبی VGG-16 انجام شده است. همچنین یک معیار رتبه بندی بر اساس شباهت فریم ها، توالی فریم های مشابه و تعداد فریم های مشابه با ویدئو مورد جستجو معرفی شده است. کارایی روش پیشنهادی بر روی مجموعه داده یوتیوب اکشن با معیار میانگین دقت بررسی شده است. نتایج به دست آمده دقت %94.90 را در بازیابی ده نمونه برتر نشان می دهد.

پیش بینی تعامل در ویدیو یکی از موضوعات فعال در بینایی کامپیوتر است، که هدف آن پیش بینی تعامل قبل از انجام کامل آن است. این موضوع به دلیل چالش های موجود در این زمینه هنوز مورد توجه است. در این مقاله یک شبکه عصبی عمیق برای پیش بینی تعامل با استفاده از روابط فازی و شار نوری ارایه شده است. نوآوری این روش ایجاد دو تصویر فازی از یک ویدیو است. این تصاویر فازی بر مبنای گرادیان و شار نوری ایجاد می شود. توابع عضویت فازی مناسب برای روابط مکانی بین افراد در حال تعامل در تصاویر گرادیان و شار نوری ایجاد شده است. از طرفی یک تابع عضویت فاصله برای ارزش دهی به فریم ها و یک تابع عضویت فاصله برای ارزش دهی به ناحیه ی بین افراد در حال تعامل تعریف شده است. سپس ویژگی های مناسب مکانی-زمانی از این تصاویر با استفاده از معماری شبکه عصبی کانولوشن استخراج شده است. نتایج این روش بر روی دو مجموعه داده استاندارد تشخیص تعامل، BIT و UT ارزیابی شده است. نتایج نشان می دهد ایجاد تصاویر فازی و استخراج ویژگی های عمیق از آن تصاویر باعث افزایش دقت پیش بینی تعامل نسبت به روش های پیشین شده است.

در بکارگیری سیستم های شناسایی چهره روش های مختلف تقلب نظیر استفاده از ماسک پوششی و بکارگیری عکس شخص معتبر دو مشکل اساسی هستند که کاربردهای آن ها را محدود می کنند. براساس بررسی های انجام شده روش-هایی برای تشخیص تقلب در شناسایی چهره معرفی شده اند که بعضا مداخله کننده هستند، یعنی شخص را وادار به انجام حرکتی می کنند تا بتوانند چهره واقعی را از تقلبی تمییز دهند. استفاده از روش های مداخله کننده اغلب نارضایتی کاربران را به همراه دارد. در این مقاله با ارائه روشی غیرمداخله کننده و براساس ویژگی هایی مانند انعکاس نور یا وجود نویز متناوب اقدام به شناسایی تصاویر واقعی از تقلبی می کنیم. در این روش ابتدا با بهره گیری از الگوی دودویی محلی لبه ها و بافت تصویر برجسته می شوند. سپس جهت طبقه بندی تصاویر واقعی و غیرواقعی، ویژگی های تصویر توسط مدل یادگیری عمیق متشکل از سه لایه پیچش استخراج می شوند. نتایج نشان دهنده مقاومت روش پیشنهادی در برابر پوشش چشم است. به منظور ارزیابی روش پیشنهادی مجموعه داده CASIA در این تحقیق مورد استفاده قرار گرفته است. نتایج حاکی از دقت 98 درصدی روش پیشنهادی در این مجموعه داده است که در مقایسه با روش های موجود دقت بالاتری دارد.

تشخیص فعالیت انسان، امروزه به ­عنوان یک حوزه مهم در کاربردهای مختلفی مورد استفاده قرار گرفته است و مورد توجه بسیاری از محققان حوزه بینایی ماشین است تا بتوانند فعالیت اجرا شده در یک ویدئو را با دقت بالا طبقه ­بندی نمایند. در این مقاله یک روش دو جریانه با ساختاری جدید معرفی می­گردد که از دو ویژگی­ مکانی در هر دو جریان استفاده می­کند به­ گونه ­ای که این ویژگی­ها بتوانند به پوشش نقاط ضعف همدیگر بپردازند. استفاده از این ساختار در نهایت می­تواند به صورت دقیق­تری منجر به پیش­بینی برچسب فعالیت شود. در جریان اول ضرایب موجک با چندریزگی مناسب و در جریان دیگر ویژگی­های عمیق از قاب­ها استخراج می­شوند. ویژگی­های حاصل در دو نقشه ویژگی­های مکانی قرار می­گیرند و با استفاده از یک شبکه عمیق جدید تغییرات زمانی در نقشه­ها یاد گرفته می­شوند و با ترکیب اطلاعات طبقه بندی دو جریان برچسب نهایی تعیین می­گردد. دقت روش پیشنهادی روی 3 مجموعه داده واقعی UCFYT، UCF-Sport، و JHMDB برابر با 98.7، 99.83 و 92.86 بوده که عملکرد روش به طور میانگین نسبت به بهترین روش معرفی شده قبلی 4.6 درصد بهتر است.