ترجمه فارسی مقاله تشخیص غیرقابل کشف: ترکیب شبکه های Kolmogorov-Arnold و MLP برای تشخیص تصویر تولید شده توسط هوش مصنوعی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Detecting the Undetectable: Combining Kolmogorov-Arnold Networks and MLP for AI-Generated Image Detection
عنوان مقاله به فارسی تشخیص غیرقابل کشف: ترکیب شبکه های Kolmogorov-Arnold و MLP برای تشخیص تصویر تولید شده توسط هوش مصنوعی
نویسندگان Taharim Rahman Anon, Jakaria Islam Emon
فرمت مقاله انگلیسی PDF
تعداد صفحات 7
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Artificial Intelligence,Machine Learning,چشم انداز رایانه و تشخیص الگوی , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 18 August, 2024; originally announced August 2024. , Comments: 8 Pages, IEEE Transactions
توضیحات به فارسی ارائه شده در 18 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 8 صفحه ، معاملات IEEE
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

As artificial intelligence progresses, the task of distinguishing between real and AI-generated images is increasingly complicated by sophisticated generative models. This paper presents a novel detection framework adept at robustly identifying images produced by cutting-edge generative AI models, such as DALL-E 3, MidJourney, and Stable Diffusion 3. We introduce a comprehensive dataset, tailored to include images from these advanced generators, which serves as the foundation for extensive evaluation. we propose a classification system that integrates semantic image embeddings with a traditional Multilayer Perceptron (MLP). This baseline system is designed to effectively differentiate between real and AI-generated images under various challenging conditions. Enhancing this approach, we introduce a hybrid architecture that combines Kolmogorov-Arnold Networks (KAN) with the MLP. This hybrid model leverages the adaptive, high-resolution feature transformation capabilities of KAN, enabling our system to capture and analyze complex patterns in AI-generated images that are typically overlooked by conventional models. In out-of-distribution testing, our proposed model consistently outperformed the standard MLP across three out of distribution test datasets, demonstrating superior performance and robustness in classifying real images from AI-generated images with impressive F1 scores.

چکیده به فارسی (ترجمه ماشینی)

با پیشرفت هوش مصنوعی ، وظیفه تمایز بین تصاویر واقعی و تولید شده توسط AI به طور فزاینده ای توسط مدلهای تولیدی پیشرفته پیچیده است.در این مقاله یک چارچوب تشخیص جدید که در شناسایی قوی تصاویر تولید شده توسط مدل های AI تولیدی برش ، مانند Dall-E 3 ، Midjourney و Patable Diffusion 3 ارائه شده است ، ارائه شده است. ما یک مجموعه داده جامع را معرفی می کنیم ، متناسب با تصاویر از این ژنراتورهای پیشرفته ،که به عنوان پایه و اساس ارزیابی گسترده است.ما یک سیستم طبقه بندی را پیشنهاد می کنیم که تعبیه های تصویر معنایی را با یک Perceptron چند لایه سنتی (MLP) ادغام می کند.این سیستم پایه برای تمایز مؤثر بین تصاویر واقعی و AI در شرایط مختلف چالش برانگیز طراحی شده است.با تقویت این رویکرد ، ما یک معماری ترکیبی را معرفی می کنیم که شبکه های Kolmogorov-Arnold (KAN) را با MLP ترکیب می کند.این مدل ترکیبی از قابلیت های تطبیقی ​​تطبیقی ​​و با وضوح بالا قابلیت تحول از KAN استفاده می کند و سیستم ما را قادر می سازد تا الگوهای پیچیده را در تصاویر تولید شده AI ضبط و تجزیه و تحلیل کند که معمولاً توسط مدل های معمولی نادیده گرفته می شوند.در آزمایش خارج از توزیع ، مدل پیشنهادی ما به طور مداوم از MLP استاندارد در سه مجموعه داده آزمایش خارج از توزیع بهتر عمل می کند ، و عملکرد برتر و استحکام در طبقه بندی تصاویر واقعی از تصاویر تولید شده توسط AI با نمرات چشمگیر F1 را نشان می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.