АВТОМАТИЗАЦИЯ ПРОЦЕДУРЫ РАСПОЗНАВАНИЯ ФАЛЬШИВЫХ ИЗОБРАЖЕНИЙ ПОСРЕДСТВОМ НЕЙРОННЫХ СЕТЕЙ

О журнале

Новости

Цели и сфера

Основатель и издатель

Редакционная коллегия

Условия лицензирования

Конфиденциальность

Отношение к плагиату

Публикационная этика

Политика архивирования

Подписка

Для авторов

Инструкции для авторов

Процесс рецензирования

Авторские права

Договор о передаче прав

Редакционные сборы

Архив

Все выпуски

Поиск

Контакты

Контакты

Бабичева М. В.
кандидат технических наук, доцент кафедры радиофизики и инфокоммуникационных технологий
ФГБОУ ВО «Донецкий государственный университет», 283001, г. Донецк.
Область научных интересов: информационная безопасность, пентестинг, нейронные сети.

Третьяков И. А.
кандидат технических наук, доцент кафедры радиофизики и инфокоммуникационных технологий
ФГБОУ ВО «Донецкий государственный университет», 283001, г. Донецк.
Область научных интересов: информационная безопасность, пентестинг, нейронные сети.

Скачать pdf

УДК 004.932.2
DOI 10.24412/2413-7383-94-105
Язык: Русский
Аннотация: Проблема распознавания фальшивых изображений (дипфейков) становится актуальной с развитием нейросетевых технологий. Дипфейки зачастую становятся инструментом совершения преступлений против личности и государства, поэтому необходимы технические средства для определения искусственного происхождения изображений. В ходе исследования изучены различные подходы к детектированию фальшивых изображений, включая анализ текстуры изображений, использование нейросетей и алгоритмов обнаружения аномалий. Целью работы является исследование методов создания фальшивых изображений, выявление их особенностей, а также разработка методики обнаружения таких изображений с применением глубокого обучения и нейронных сетей. Для создания дипфейков использовалась генеративная нейронная сеть (GAN), а для распознавания – сверточная (CNN). Предложенная модель распознает фальшивые изображения с точностью 89%, что не хуже большинства зарубежных аналогов.
Ключевые слова: дипфейки, генеративная нейронная сеть, сверточная нейронная сеть, Error Level Analysis.

Список литературы:
1. Третьяков, И. А. Исследование параметров рекуррентной нейронной сети для распознавания человека по голосу в системах безопасности / И. А. Третьяков, Е. Н. Кожекина, А. Е. Мышкин // Вестник Донецкого национального университета. Серия Г: Технические науки. – 2021 – № 4 – С. 24-36. – EDN YUMGIV.
2. Третьяков, И. А. Текстонезависимая идентификация речи в условиях помех / И. А. Третьяков, Е. Н. Кожекина, В. И. Сыровацкий // Вестник Донецкого национального университета. Серия Г: Технические науки. – 2022 – № 2 – С. 64-77. – EDN LUBRVH.
3. Sheluhin, O. I. Comparative analysis of informative features quantity and composition selection methods for the computer attacks classification using the unsw-nb15 dataset / O. I. Sheluhin, V. P. Ivannikova // T- Comm. – 2020 – Vol. 14 – No. 10 – P. 53-60. – DOI: 10.36724/2072-8735-2020-14-10-53-60.
4. Yang, W. Security detection of network intrusion: application of cluster analysis method / W. Yang // Computer Optics. – 2020 –Vol. 44 – No. 4 – P. 660-664. – DOI: 10.18287/2412-6179-CO-657.
5. Классификация механизмов атак и исследование методов защиты систем с использованием алгоритмов машинного обучения и искусственного интеллекта / И. В. Володин, М. М. Путято, А. С. Макарян, В. Ю. Евглевский // Прикаспийский журнал: управление и высокие технологии. – 2021 – № 2(54). – С. 91-98. – DOI 10.21672/2074-1707.2021.53.1.090-098. – EDN KWWOSM.
6. Бабичева, М. В. Применение методов машинного обучения для автоматизированного обнаружения сетевых вторжений / М. В. Бабичева, И. А. Третьяков // Вестник Дагестанского государственного технического университета. Технические науки. – 2023 – Т. 50, № 1 – С. 53-61. – DOI 10.21822/2073-6185-2023-50-1-53-61. – EDN MGBAGF.
7. Третьяков, И. А. Прохождение CAPTCHA посредством машинного обучения / И. А. Третьяков, М. В. Бабичева, К. Е. Лебедев // Искусственный интеллект: теоретические аспекты и практическое применение : материалы Донецкого международного научного круглого стола (Донецк, 30 мая 2024 г.). – Донецк: ФГБНУ «Институт проблем искусственного интеллекта», 2024 – С. 254-260.
8. Ермоленко, Т. В. Фильтрация спама методами глубокого обучения / Т. В. Ермоленко, Н. А. Шалун // Вестник Донецкого национального университета. Серия Г: Технические науки. – 2024 – № 4 – С. 165-174. – DOI 10.5281/zenodo.14514835. – EDN ECVVBZ.
9. Довгаль, В. А. Применение глубокого обучения для создания и обнаружения поддельных изображений, синтезированных с помощью искусственного интеллекта / В. А. Довгаль // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. – 2021 – № 4(291). – С. 82-94. – DOI 10.53598/2410-3225-2021-4-291-82-94. – EDN PPECYM.
10. Джуров, А. А. Программное средство, определяющее фейковый видеоконтент с помощью технологии Deepfake алгоритма GAN / А. А. Джуров, Л. В. Черкесова, Е. А. Ревякина // Наукоемкие технологии в космических исследованиях Земли. – 2023 – Т. 15, № 4 – С. 60-67. – DOI 10.36724/2409-5419-2023-15-4-60-67. – EDN GOAPYT.
11. Алпатов, А. Н. Архитектура трёхмерной свёрточной нейронной сети для детектирования факта фальсификации видеоряда / А. Н. Алпатов, Э. З. Терлоев, В. Т. Матчин // Программные системы и вычислительные методы. – 2024 – № 3 – С. 1-11. – DOI 10.7256/2454-0714.2024.3.70849. – EDN MNOVWB.
12. Зуев, В. М. Сравнение обнаружения объектов средствами искусственного интеллекта в сравнении с классическими методами / В. М. Зуев // Проблемы искусственного интеллекта. – 2024 – № 3(34). – С. 30-35. – DOI 10.24412/2413-7383-2024-3-30-35. – EDN IIZDSH.
13. Шепель, Н. В. Использование возможностей искусственного интеллекта при создании дипфейков / Н. В. Шепель, М. О. Янгаева // Вестник Сибирского юридического института МВД России. – 2024 – № 4(57). – С. 233-239. – EDN INGWYS.
14. Криворучко, К. А. Распознавание недостоверной информации в СМИ с помощью нейронных сетей / К. А. Криворучко, И. И. Максименко // Вестник Донецкого национального университета. Серия Г: Технические науки. – 2024 – № 4 – С. 101-109. – DOI 10.5281/zenodo.14514617. – EDN ZTGSQR.
15. Двойник Путина задал вопрос Путину о двойниках и искусственном интеллекте [Электронный ресурс] – Электрон, дан. – 2023 – Режим доступa:
16. Deepfake Image Detection Using Anchored Pairwise Learning Approach [Электронный ресурс] – Электрон, дан. – 2020 – Режим доступа:
17. FaceForensics++: Learning to Detect Manipulated Facial Images [Электронный ресурс] – Электрон, дан. – 2020 – Режим доступа:
18. DeepFake Detection [Электронный ресурс] – Электрон, дан. – 2020 – Режим доступа: https://adityaanil.github.io/DeepFake-Detection/
19. A Continual Deepfake Detection Benchmark: Dataset, Methods, and Essentials [Электронный ресурс] – Электрон, дан. – 2020 – Режим доступа: https://coral79.github.io/CDDB_web/
20. Intel Newsroom Archive 2022 [Электронный ресурс] – Электрон, дан. – 2022 – Режим доступа:
21. Sensity AI [Электронный ресурс] – Электрон, дан. – 2018 – Режим доступа:
22. Hsu, C.-C. Deep Fake Image Detection Based on Pairwise Learning. / C.-C. Hsu, Y.-X. Zhuang, Lee C.-Y. // Applied Sciences. – 2020 V 1 – 14 p. – DOI 10.3390/app10010370.
23. Deepfake Detection [Электронный ресурс] – Электрон, дан. – 2022 – Режим доступа:

Выпуск: 1(36)'2025
Раздел: МЕТОДЫ И СИСТЕМЫ ЗАЩИТЫ ИНФОРМАЦИИ, ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ
Как цитировать: М. В. Бабичева, И. А. Третьяков. АВТОМАТИЗАЦИЯ ПРОЦЕДУРЫ РАСПОЗНАВАНИЯ ФАЛЬШИВЫХ ИЗОБРАЖЕНИЙ ПОСРЕДСТВОМ НЕЙРОННЫХ СЕТЕЙ // Проблемы искусственного интеллекта. 2025. №1.

Назад к выпуску 1(36)'2025