رسالة ماجستير في كلية العلوم تناقش ((الكشف السلبي عن تزوير الصور باستخدام أساليب التعلم العميق)). F2000.

أجريت مناقشة علنية لرسالة الماجستير للطالبة زينب شوكت ابراهيم من قسم علوم الحاسوب في كلية العلوم وبأشراف السيد عميد كلية العلوم الأستاذ الدكتور طه محمد حسن المحترم والأستاذ المساعد حازم نومان عبد عن رسالتها الموسومة ((الكشف السلبي عن تزوير الصور باستخدام أساليب التعلم العميق)). وأقيمت المناقشة في قاعة المناقشات في عمادة الكلية. تناولت الدراسة اقتراح نهج مختلط يجمع بين التعلم العميق والتعلم الآلي لتحديد تزوير النسخ والنقل في الصور. تم استخدام شبكة CNN المتطورة المقترحة وأربعة أساليب CNN مدربة مسبقًا (VGG19 وResNet50-V2 وInception-V3 وDenseNet121) لاستخراج الميزات. اذتم استخدام ثلاثة أساليب للتعلم الآلي (Support Vector Machine (SVM)، والغابات العشوائية (RF)، وأقرب الجيران (kNN)) لتصنيف الصور الرقمية. يتم تطبيق هذه المصنفات بعد كل نهج التعلم العميق المستخدم في استخراج الميزات.وتم تقييم أداء المخططات الهجينة المقترحة (VGG19-SVM، VGG19-RF، VGG19-kNN، ResNet50-SVM، ResNet50-RF، ResNet50-kNN، InceptionV3-SVM، InceptionV3-RF، InceptionV3-kNN، DenseNet121-SVM، DenseNet121-) RF وDenseNet121-kNN وEvolved CNN-SVM وEvolved CNN-RF وEvolved CNN-kNN) بناءً على قياسات متنوعة باستخدام مجموعات بيانات MICC-F220 وMICC-F2000. وأظهرت نتائج تصنيف ممتازة (100%) scores of F1, precisions, sensitivities, and accuracies من خلال مخططات InceptionV3-RF وDenseNet121-RF وEvolved CNN-RF على مجموعة بيانات MICC-F220. تم تحقيق أعلى نتائج التصنيف (0.97%) scores of F1, precisions, sensitivities, and accuracies بواسطة مخططات DenseNet121-RF وEvolved CNN-RF على مجموعة بيانات MICC-F2000.