[논문]전이 학습 기반의 생성 이미지 판별 모델 설계

김채원; 윤성연; 한명은; 박민서

doi:10.17703/jcct.2024.10.2.465

전이 학습 기반의 생성 이미지 판별 모델 설계
Transfer Learning-based Generated Synthetic Images Identification Model 원문보기

Journal of the convergence on culture technology : JCCT = 문화기술의 융합, v.10 no.2, 2024년, pp.465 - 470

김채원 (서울여자대학교 데이터사이언스학과) , 윤성연 (서울여자대학교 데이터사이언스학과) , 한명은 (서울여자대학교 데이터과학전공) , 박민서 (서울여자대학교 데이터사이언스학과)

초록
AI-Helper

인공지능(Artificial Intelligence, AI) 기반 이미지 생성 기술의 발달로 다양한 이미지가 생성되고 있으며, 이를 정확하게 판별하는 기술이 필요하다. 생성된 이미지 데이터의 양에는 한계가 있으며, 한정된 데이터로 높은 성능을 내기 위해 본 연구에서는 전이 학습(Transfer Learning)을 활용한 생성 이미지를 판별하는 모델을 제안한다. ImageNet 데이터 셋으로 사전학습 된 모델을 입력 데이터 셋인 CIFAKE 데이터 셋에 그대로 적용하여 학습의 시간 비용을 줄인 후, 3개의 은닉층과 1개의 출력층을 더해 모델을 튜닝한다. 모델링 결과, 최종 레이어를 조정한 모델의 성능이 높아짐을 확인하였다. 딥러닝에서 전이 학습을 통해 학습한 후 출력층과 가까운 레이어를 데이터의 특성에 맞게 추가 및 조정하는 과정을 통해 적은 이미지 데이터로 인한 학습 정확도 이슈를 줄이고 생성된 이미지 판별을 할수 있다는 데 의의가 있다.

Abstract ▼ AI-Helper

The advancement of AI-based image generation technology has resulted in the creation of various images, emphasizing the need for technology capable of accurately discerning them. The amount of generated image data is limited, and to achieve high performance with a limited dataset, this study proposes a model for discriminating generated images using transfer learning. Applying pre-trained models from the ImageNet dataset directly to the CIFAKE input dataset, we reduce training time cost followed by adding three hidden layers and one output layer to fine-tune the model. The modeling results revealed an improvement in the performance of the model when adjusting the final layer. Using transfer learning and then adjusting layers close to the output layer, small image data-related accuracy issues can be reduced and generated images can be classified.

주제어

표/그림 (5)

그림 그림 1. 전이 학습 기반의 생성 이미지 판별 모델 개발 순서도 Figure 1. Flow Chart of Transfer Learning-based Generated Synthetic Images Identification Model
그림 그림 2. 생성 이미지 판별 모델의 전이 학습 구조 Figure 2. Transfer Learning Architecture of Generated Synthetic Images Identification Model
표 표 1. 생성 이미지 판별 모델에 사용한 하이퍼파라미터 Table 1. Hyper-parameter of Generated Synthetic Images Identification Model
표 표 2. 생성 이미지 판별 모델의 정량적 평가 Table 2. Quantitative evaluation of Generated Synthetic Images Identification Model
그림 그림 3. 생성 이미지 판별 모델의 ROC 곡선 Figure 3. The ROC Curve of Generated Synthetic Images Identification Model

참고문헌 (17)

S. Lee, "Deep Structured Learning: Architectures？and Applications," The International Journal of？Advanced Culture Technology(IJACT), Vol. 6,？No. 4, pp. 262-265, 2018. DOI:10.17703//IJACT2018.6.4.262

원문보기 상세보기
L. Verdoliva, "Media forensics and deepfakes: an？overview," IEEE Journal of Selected Topics in？Signal Processing, Vol. 14, No. 5, pp. 910-932, 2020.？DOI:10.1109/JSTSP.2020.3002101

상세보기
F. Marra, D. Gragnaniello, D. Cozzolino, and L.？Verdoliva, "Detection of GAN-Generated Fake？Images over Social Networks," 2018 IEEE？Conference on Multimedia Information Processing？and Retrieval(MIPR), pp. 384-389, 2018.？DOI:10.1109/MIPR.2018.00084
D. Kim, S. Choi, and S. Kwak, "Deep Learning？Based Fake Face Detection," Journal of the Korea？Industrial Information Systems Research, Vol. 23,？No. 5, pp. 9-17, Oct 2018. DOI:10.9723/JKSIIS.2018.23.5.009

원문보기 상세보기
J. Kim, S. Hong, and H. Kim, "A StyleGAN Image？Detection Model Based on Convolutional Neural？Network," Journal of Korea Multimedia Society,？Vol. 22, pp. 1447-1456, 2019. DOI:10.9717/kmms.2019.22.12.1447

원문보기 상세보기
C. C. Hsu, Y. X. Zhuang, and C. Y. Lee, "Deep Fake？Image Detection Based on Pairwise Learning,"？Applied Sciences, Vol. 10, No. 1, pp. 370, 2020.？DOI:10.3390/app10010370

상세보기
J. J. Bird and A. Lotfi, "CIFAKE: Image？Classification and Explainable Identification of？AI-Generated Synthetic Images," arXiv preprint？arXiv:2303.14126, Mar 2023. DOI:10.48550/arXiv.2303.14126
B. Recht, R. Roelofs, L. Schmidt, and V.？Shankar, "Do imagenet classifiers generalize to？imagenet?," International conference on machine？learning, pp. 5389-5400, 2019.
S. J. Pan and Q. Yang, "A survey on transfer？learning," IEEE Transactions on knowledge and？data engineering, Vol. 22, No. 10, pp. 1345-1359,？2009. DOI:10.1109/TKDE.2009.191

상세보기
S. Hong, Y. Lee, and C. Moon, "Transfer？Learning-Based Vibration Fault Diagnosis for Ball？Bearing," The Journal of the Convergence on？Culture Technology(JCCT), Vol. 9, No. 3, pp.？845-850, 2023. DOI:10.17703/JCCT.2023.9.3.845

원문보기 상세보기
J. Deng, W. Dong, R. Socher, L. J. Li, K. Li, and？F. F. Li, "Imagenet: A large-scale hierarchical？image database," 2009 IEEE Conference on？Computer Vision and Pattern Recognition(CVPR),？pp. 248-255, Jun 2009. DOI:10.1109/CVPR.2009.520？6848
A. Krizhevsky, "Learning multiple layers of？features from tiny images," University of Toronto,？May 2009.
T. Jo, "Deep learning for everyone," Gilbut INC.,？pp. 308, 2017.
K. Simonyan and A. Zisserman, "Very deep？convolutional networks for large-scale image？recognition," International Conference on？Learning Representations(ICLR), Sep 2014.？DOI:10.48550/arXiv.1409.155
K. He, X. Zhang, S. Ren, and J. Sun, "Deep？Residual Learning for Image Recognition," 2016？IEEE Conference on Computer Vision and？Pattern Recognition(CVPR), pp. 770-778, 2016.？DOI:10.48550/arXiv.1512.03385
G. Huang, Z. Liu, L. Van Der Maaten, and K.？Q. Weinberger, "Densely connected convolutional？networks," 2017 IEEE Conference on Computer？Vision and Pattern Recognition(CVPR), pp.？4700-4708, 2017. DOI:10.1109/CVPR.2017.243
C. Dong, C. C. Loy, K. He, and X. Tang,？"Image super-resolution using deep convolutional？networks," IEEE transactions on pattern analysis？and machine intelligence, Vol. 38, No. 2, pp.？295-307, Jun 2015. DOI:10.1109/TPAMI.2015.2439281

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증