تعزيز التعرف على الحالات الباردة بالطب الشرعي من خلال إعادة بناء الصورة الشخصية المستندة إلى DCGAN
DOI:
https://doi.org/10.21123/bsj.2024.10896الكلمات المفتاحية:
شبكة العدائية التلافيفية العميقة (DCGAN)، التعلم العميق، إعادة بناء الصور الجنائية، ترجمة الصورة الى صورة، رسم الى صورةالملخص
مع تحسن الذكاء الاصطناعي وتقنيات التعلم العميق، وخاصة شبكة الخصومة التوليدية التلافيفية العميقة (DCGAN)، كان هناك تطور كبير في التعرف على الهوية الشخصية وتوليد الصور من خلال أنظمة إعادة بناء الوجه. تركز هذه الدراسة على اقتراح نموذج لإعادة بناء الصورة الشخصية من رسومات الطب الشرعي باستخدام DCGAN. يتكون النموذج من شبكتين: شبكة مولد لتحويل الصور الرسومية إلى صور حقيقية وشبكة مميز لتحديد تشابه الصور التي تم إنشاؤها مع الصور الاصلية. وتستخدم رسومات الطب الشرعي التي تقدمها السلطات المختصة كمدخلات للنموذج المقترح. وتشمل هذه الرسومات تفاصيل ومعلومات عن الجناة أو الأشخاص المفقودين الذين تم الحصول عليهم من الشهود أو من الوالدين المفقودين. تساعد ملامح الوجه البارزة المستخرجة من الصور المعاد بناؤها في عملية إعادة بناء الصورة الشخصية. ويُظهر النموذج المقترح نتائج جيدة، حيث حقق دقة تصل إلى 99٪ في الصور التي تم إنشاؤها. تم الإبلاغ عن نسبة الخطأ لتصل إلى 0.92٪ بناءً على التقييم باستخدام مجموعة بيانات CUHKFaces. تقدم هذه الدراسة نهجًا جديدًا لإعادة بناء صور الوجه البشري من رسومات الطب الشرعي باستخدام DCGAN.
Received 08/02/2024
Revised 21/05/2024
Accepted 23/05/2024
Published Online First 20/09/2024
المراجع
Epskamp-Dudink C, Winter JM. Benefits of scenario reconstruction in cold case investigations. J Crim Psychol 2020; 10(2): 65–78. https://doi.org/10.1108/JCP-09-2019-0035
Toolin K, van Langeraad A, Hoi V, Scott A, Gabbert F. Psychological contributions to cold case investigations: A systematic review. Forensic Sci Int 2022; 5. https://doi.org/10.1016/j.fsisyn.2022.100294
Radford A, Metz L, Chintala S. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks. arXiv:1511.06434. 2015. https://doi.org/10.48550/arXiv.1511.06434
Arnob NMK, Rahman NN, Mahmud S, et al. Facial Image Generation from Bangla Textual Description using DCGAN and Bangla FastText. Int J Adv Comput Sci Appl. 2023; 14(6): 2023. https://doi.org/10.14569/IJACSA.2023.01406134
Liu B, Lv J, Fan X, Luo J, Zou T. Application of an Improved DCGAN for Image Generation. Mob Inf Syst. 2022; 2022(1), 9005552 . https://doi.org/10.1155/2022/9005552
Wu Q, Chen Y, Meng J. Dcgan-based data augmentation for tomato leaf disease identification. IEEE Access. 2020; 8: 98716-98728. https://doi.org/10.1109/ACCESS.2020.2997001
Li Zecheng, Wan Qianduoer. Generating Anime Characters and Experimental Analysis Based on DCGAN Model. In: Proceedings - 2021 2nd International Conference on Intelligent Computing and Human-Computer Interaction, ICHCI 2021 Institute of Electrical and Electronics Engineers Inc.; 2021; pp. 27–31. https://doi.org/10.1109/ICHCI54629.2021.00013
Yin X, Hou B, Huang Y, Li C, Fan Z, Liu J. Image Enhancement Method Based on Improved DCGAN for Limit Sample. In: Proceedings - 2022 14th International Conference on Measuring Technology and Mechatronics Automation, ICMTMA 2022 Institute of Electrical and Electronics Engineers Inc.; 2022; 376–379. https://doi.org/10.1109/ICMTMA54903.2022.00078
Jadli A, Hain M, Chergui A, Jaize A. DCGAN-Based Data Augmentation for Document Classification. In: 2020 IEEE 2nd International Conference on Electronics, Control, Optimization and Computer Science, ICECOCS 2020 Institute of Electrical and Electronics Engineers Inc.; 2020. https://doi.org/10.1109/ICECOCS50124.2020.9314379
Liu W, Gu Y, Zhang K. Face Generation Using DCGAN for Low Computing Resources. In: Proceedings - 2021 2nd International Conference on Big Data and Artificial Intelligence and Software Engineering, ICBASE 2021 Institute of Electrical and Electronics Engineers Inc.; 2021; 377–382. https://doi.org/10.1109/ICBASE53849.2021.00076
Koç Canan, Özyurt Fatih. An examination of synthetic images produced with DCGAN according to the size of data and epoch. FUJECE 2023; 2(1): 32–37. https://doi.org/10.5505/fujece.2023.69885
Ammar S, Bouwmans T, Neji M. Face Identification Using Data Augmentation Based on the Combination of DCGANs and Basic Manipulations. Information (Switzerland) 2022; 13(8). 370. https://doi.org/10.3390/info13080370
Heusel M, Ramsauer H, Unterthiner T, Nessler B, Hochreiter S. GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium. arXiv:1706.08500. 2017; 30. https://doi.org/10.18034/ajase. v8i1.9
Gao H, Zhang Y, Lv W, Yin J, Qasim T, Wang D. A Deep Convolutional Generative Adversarial Networks-Based Method for Defect Detection in Small Sample Industrial Parts Images. Appl Sci. 2022; 12(13): 6569. https://doi.org/10.3390/app12136569
Choi JY, Lee B. Ensemble of Deep Convolutional Neural Networks with Gabor Face Representations for Face Recognition. IEEE Trans Image Process. 2020; 29: 3270–3281. https://doi.org/10.1109/TIP.2019.2958404
Wu Y, He K. Group Normalization. arXiv:1803.08494. 2018; 742 - 755. https://doi.org/10.48550/arXiv.1803.08494
Mullery S, Whelan PF. Batch Normalization in the final layer of generative networks. arXiv:1805.07389 2018.
Kumar Yadav N, Kumar Singh S, Ram Dubey S. TVA-GAN: Attention Guided Generative Adversarial Network for Thermal to Visible image transformations. Neural Comput Appl. 2023; 35: 19729–19749. https://doi.org/10.36227/techrxiv.14393243.v1
Goodfellow I, Pouget-Abadie J, Mirza M, Xu B, Warde Farley D, Ozair S et al. Generative adversarial networks. Commun ACM 2020; 63(11): 139–144. https://doi.org/10.1145/3422622
Creswell A, White T, Dumoulin V, et al. Generative Adversarial Networks: An Overview. IEEE Signal Process. Mag. 2018; 35(1): 53–65. https://doi.org/10.1109/MSP.2017.2765202
التنزيلات
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2024 Hasan Sabah K. AL-Muttairi, Sefer Kurnaz, Abbas Fadhil Aljuboori
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
