في عصر تتزايد فيه تعقيدات تقنيات التلاعب بالصور، مثل الشبكات التنافسية التوليدية (GANs)، تواجه علوم الأدلة الرقمية تحديات جديدة. قد تكون الصور المزيفة خادعة، ولكن دراستنا الحالية تكشف كيف يمكن لنماذج التعلم العميق أن تلعب دورًا حاسمًا في كشفها.

قامت هذه الدراسة بمقارنة أداء أربعة نماذج معمارية لشبكات العصبية التلافيفية (CNN): VGG16، ResNet50، EfficientNetB0، وXceptionNet، جميعها تم تدريبها مسبقًا. تم اتباع مسار موحد لمعالجة البيانات والتدريب، حيث تم معالجة مجموعة بيانات تضم صورًا حقيقية وأخرى مزيفة من خلال تقنيات مثل تغيير الحجم (Resizing)، والتطبيع (Normalization)، وزيادة البيانات (Augmentation) لمعالجة انحياز الفئات وتحسين قدرة النماذج على التعميم.

تُظهر النتائج أن نموذج VGG16 حقق أعلى دقة تقدر بـ 91%، بينما حققت النماذج الأخرى مثل XceptionNet، ResNet50، وEfficientNetB0 دقة تصل إلى 90%. كما تبين أن EfficientNetB0 أظهر حساسية أعلى تجاه الصور المزيفة، لكنه كان أقل موثوقية في تحديد الصور الحقيقية، مما يعكس انحيازًا ناتجًا عن عدم التوازن في البيانات.

من التحديات التي تم التعرف عليها في هذه الدراسة تشمل عدم التوازن في مجموعة البيانات، وزيادة التعميم، وقلة قابلية التفسير، مما يؤثر على مرونة النماذج عبر مجالات مختلفة. تُساهم هذه الدراسة في إنشاء قاعدة معرفية قابلة للتكرار وتؤكد على الحاجة إلى مجموعات بيانات متوازنة، وزيادة رائدة، وتدريب واعٍ لتحقيق أنظمة موثوقة لكشف الصور المزيفة.

إذا كنت مهتمًا بعالم الذكاء الاصطناعي وكشف الصور المزيفة، فما رأيك في أهمية التوازن بين البيانات في هذا المجال؟ شاركونا آراءكم في التعليقات!