ПОРІВНЯННЯ БІОІНСПІРОВАНОГО ТА КЛАСИЧНОГО МЕТОДІВ ГЛИБОКОГО НАВЧАННЯ ДЛЯ РОЗПІЗНАВАННЯ СИНТЕТИЧНИХ ЗОБРАЖЕНЬ ОБЛИЧ
Таврійський науковий вісник. Серія: Технічні науки · 28.05.2026 · (3) · 95-106
DOI: 10.32782/tnv-tech.2026.3.10 ↗Kurz gefasst
Fachartikel in der Zeitschrift Таврійський науковий вісник. Серія: Технічні науки, online erschienen am 28.05.2026. Verfasst von М. О. Колесніков und 1 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
У статті представлено порівняльне дослідження двох різних підходів до задачі розпізнавання синтетичних зображень облич (deepfake), створених за допомогою генеративних нейронних мереж. Перший підхід є біоінспірованим і ґрунтується на використанні генетичного алгоритму (ГА) у поєднанні зі згортковою нейронною мережею (CNN) для пошуку оптимальної архітектури мережі – задачі, відомої як Neural Architecture Search (NAS). Другий підхід є класичним і використовує метод навчання з перенесенням (transfer learning) на базі попередньо натренованої моделі EfficientNet-B0. Обидва методи навчались та тестувались на відкритому датасеті «140k Real and Fake Faces», що містить 70 000 реальних облич із джерела Flickr та 70 000 синтетичних облич, згенерованих архітектурою StyleGAN2. Тестова вибірка складала 20 000 зображень (по 10 000 кожного класу), для забезпечення статистично значущих результатів. У рамках першого підходу (GA+CNN) генетичний алгоритм здійснював пошук в просторі гіперпараметрів CNN: кількість фільтрів у трьох згорткових шарах, наявність третього шару, коефіцієнт dropout, швидкість навчання та функція активації. У рамках другого підходу (EfficientNet-B0) застосовувалась двоетапна стратегія – тіло моделі, попередньо навченої на ImageNet (1.2 млн зображень, 1000 класів), залишалось замороженим, а поверх нього навчався новий класифікатор – Linear(1280→512) → ReLU → Dropout → Linear(512→1). Порівняльний аналіз засвідчив суттєву перевагу біоінспірованого підходу за ключовими метриками якості: перевага у точності складає +13.5 відсоткових пунктів (0.9786 проти 0.8436), у ROC AUC +0.0682 (0.9974 проти 0.9292), а загальна кількість помилок класифікації у GA+CNN виявилась у 7.3 рази меншою (428 проти 3 128). Аналіз матриці помилок виявив, що особливо критичною проблемою EfficientNet-B0 є висока кількість хибно позитивних спрацювань (2 142 проти 154 у GA+CNN), коли реальні обличчя людей помилково позначаються як синтетичні. Обговорюються причини несподіваної переваги меншої та простішої моделі GA+CNN над потужнішою архітектурою EfficientNet-B0 у цій конкретній задачі, зокрема роль заморозки feature extractor та специфіки артефактів StyleGAN2.
Zitieren
APA
Колесніков, М. О., & Горбань, Г. В. (2026). ПОРІВНЯННЯ БІОІНСПІРОВАНОГО ТА КЛАСИЧНОГО МЕТОДІВ ГЛИБОКОГО НАВЧАННЯ ДЛЯ РОЗПІЗНАВАННЯ СИНТЕТИЧНИХ ЗОБРАЖЕНЬ ОБЛИЧ. Таврійський науковий вісник. Серія: Технічні науки, 95-106. https://doi.org/10.32782/tnv-tech.2026.3.10
Vancouver
Колесніков МО, Горбань ГВ. ПОРІВНЯННЯ БІОІНСПІРОВАНОГО ТА КЛАСИЧНОГО МЕТОДІВ ГЛИБОКОГО НАВЧАННЯ ДЛЯ РОЗПІЗНАВАННЯ СИНТЕТИЧНИХ ЗОБРАЖЕНЬ ОБЛИЧ. Таврійський науковий вісник. Серія: Технічні науки. 2026:95-106. doi:10.32782/tnv-tech.2026.3.10
BibTeX
@article{2026,
author = {Колесніков, М. О. and Горбань, Г. В.},
title = {ПОРІВНЯННЯ БІОІНСПІРОВАНОГО ТА КЛАСИЧНОГО МЕТОДІВ ГЛИБОКОГО НАВЧАННЯ ДЛЯ РОЗПІЗНАВАННЯ СИНТЕТИЧНИХ ЗОБРАЖЕНЬ ОБЛИЧ},
journal = {Таврійський науковий вісник. Серія: Технічні науки},
year = {2026},
number = {3},
pages = {95--106},
doi = {10.32782/tnv-tech.2026.3.10}
}
EUVIMED