「偽物の画像を見抜く」現場にコミットする機械学習ノート【vol.15】

   

こんにちは。エンジニアライターの小原です。

連載「現場にコミットする機械学習ノート」では、論文を詳しく読み解きながら、現場で使えるAI実装のヒントを記録していきたいと思います。

前回の記事では、「キャベツ苗の欠陥をmaxIOUで識別」を扱いました。

今回は、韓国のDepartment of Computer Science and Engineering, Sejong UniversityのL. M. Dangらが2020年1月(論文公開日)に発表した「偽物の画像を見抜く」に関する論文を扱っていきます。

もくじ
1章 リアルな画像生成技術にまつわる課題
2章 加工画像・GAN生成された画像を識別する
2.1 研究目的
2.2 研究手法
2.2.1 データセット
2.2.2 研究の流れ
2.2.3 不均衡データセット問題対策
2.3 研究結果
2.3.1 提案モデル(TFID)による学習結果の他手法との比較
2.3.2 提案モデル予測の可視化
2.3.3 3つの不均衡データセット問題への対策手法を適用した場合と適用しなかった場合との比較
2.3.4 PGGANデータセットでの性能

■前回の記事:【vol.14】キャベツ苗の欠陥をmaxIOUで識別

1章
リアルな画像生成技術にまつわる課題

近年、機械学習や深層学習の研究が大きく発展し、多くの恩恵を社会に与えてきました。しかし、大きな影響力を持つ技術は、使い方次第では大きな悪影響も社会に与えてしまう可能性があります。

中でも最近注目を浴びている技術の一つが「GAN(Genera tive Adversarial Networks、敵対的生成ネットワーク)」です。GANは何かを「生成」したい際に用いられることが多い技術で、モデル同士を競わせることでより本物らしいデータを「生成」することを目指すというものです。

GANを使うと、本物と見分けのつかない画像を生成することも可能であるため、フェイクニュースなどで悪用されてしまうと社会に混乱をもたらしてしまうかもしれません。

そこで韓国のL. M. Dangらは、加工された画像・GAN生成された画像をディープラーニングで識別することを試みました。

2章
加工画像・GAN生成された画像を識別する

まずはL. M. Dangらの研究におけるミッション・手法・結果をまとめます。

続きを読むには無料会員登録が必要です。


※ログイン/初回登録後、下記ボタンを押してください。

業界ごとに記事を読む

さらに学ぼう!

PAGE TOP