Résumé:
Un réseau d'adversaire génératif (GAN) est un modèle génératif de premier plan qui est largement utilisé dans diverses applications. Il est possible d'obtenir des images de faux visages d'une grande qualité visuelle grâce à ce modèle. Ces visages fictifs ont le potentiel d’avoir un impact significatif sur la manière dont les gens déterminent la légitimité.
L'identification des fausses images devient une question très importante dans le domaine de l'analyse d'images qui feront l’objet d’un apprentissage profond.
L'objectif principal de notre application est la détection des faux visages (Fake Faces) en utilisant les réseaux adversaire génératifs (GAN).
La capacité de l’algorithme des GAN s’améliorera au fil du temps ce qui rend la détection des faux visages difficile. Tout détecteur aura une courte durée de vie sur le fait que la détection des faux visages peut résoudre le problème à court terme, mais à long terme, la solution pratique sera les techniques d’authentification face à la robustesse des générateurs des faux visages par rapport aux discriminateurs.
Nous proposons donc dans notre application une architecture basée sur l'entrainement de trois discriminateurs du DCGAN à l'élément clé, c'est la méthode d'entrainement utilisée pour chaque cas.
L'entrainement du système a été effectué sur 140000 échantillons confondus entre les vrais (70000) et les faux visages (70000) où la précision de l'apprentissage obtenue était de 98% et celle du test de 94%
Ces résultats considéré comme très prometteurs vu la robustesse des générateurs qui ont fait un grand saut par rapport aux discriminateurs et détecteurs des fausses images.
