Luận văn Thạc sĩ: Phát hiện giả mạo khuôn mặt sử dụng mạng học sâu

Trong bối cảnh trí tuệ nhân tạo và nhận diện khuôn mặt ngày càng phát triển mạnh mẽ và ứng dụng rộng rãi, thách thức từ các cuộc tấn công giả mạo khuôn mặt (face spoofing) trở nên đặc biệt cấp thiết. Các phương pháp giả mạo như sử dụng ảnh, video hay mặt nạ 3D có thể đánh lừa các hệ thống xác thực, gây ra rủi ro nghiêm trọng về an ninh và thông tin. Nhằm đối phó với mối đe dọa này, việc nghiên cứu và phát triển các giải pháp chống giả mạo mạnh mẽ là vô cùng quan trọng. Luận văn này tập trung vào việc khai thác tiềm năng của mạng học sâu, đặc biệt là các mô hình Convolutional Neural Network (CNN), để xây dựng một hệ thống phát hiện giả mạo khuôn mặt hiệu quả, góp phần nâng cao tính bảo mật cho các ứng dụng thực tế.

Nghiên cứu sinh, sinh viên sau đại học, kỹ sư và nhà nghiên cứu trong các lĩnh vực Khoa học Máy tính, Trí tuệ nhân tạo, Học máy, Thị giác máy tính và An ninh mạng, đặc biệt quan tâm đến nhận diện khuôn mặt và công nghệ chống giả mạo.

Luận văn này giải quyết bài toán cấp bách về phát hiện giả mạo khuôn mặt, một thách thức lớn đối với các hệ thống nhận diện khuôn mặt hiện đại. Bối cảnh nghiên cứu được đặt trong sự bùng nổ của trí tuệ nhân tạo và sự gia tăng các hình thức tấn công giả mạo ngày càng tinh vi, từ ảnh in, video đến mặt nạ 3D, đe dọa nghiêm trọng an toàn dữ liệu và tài chính. Tác giả đã tổng quan các nghiên cứu trước đây dựa trên đặc trưng texture, tương tác người-máy, thông tin sự sống và chất lượng ảnh, trước khi đi sâu vào các phương pháp sử dụng mạng học sâu. Về phương pháp, luận văn tập trung vào việc áp dụng các kỹ thuật tiên tiến trong học sâu, bao gồm mạng nơ-ron tích chập (CNN) và kiến trúc ResNet-34. Cụ thể, nghiên cứu đề xuất và đánh giá việc kết hợp Central Difference Convolution (CDC) với thông tin chiều sâu được tạo ra từ khuôn mặt để cải thiện khả năng phân biệt giữa khuôn mặt thật và giả mạo. Ngoài ra, để tăng cường tính mạnh mẽ của mô hình trước các điều kiện môi trường và loại giả mạo khác nhau, luận văn còn khám phá ý tưởng sử dụng Generative Adversarial Networks (GANs) cho bài toán thích ứng miền. Các thử nghiệm được tiến hành trên các tập dữ liệu tiêu chuẩn như OULU và NUAA, cung cấp đánh giá định lượng về hiệu suất của các phương pháp đề xuất. Kết quả nghiên cứu và những hiểu biết sâu sắc từ luận văn có giá trị ứng dụng cao, đặc biệt trong việc nâng cao độ tin cậy và an toàn của các hệ thống xác thực sinh trắc học. Việc phát triển các giải pháp chống giả mạo hiệu quả không chỉ bảo vệ người dùng khỏi các nguy cơ lừa đảo mà còn đóng góp vào sự phát triển bền vững của công nghệ nhận diện khuôn mặt trong các lĩnh vực quan trọng như ngân hàng, an ninh và kiểm soát truy cập.