Дипфейки спутниковых снимков

Дипфейки становятся проблемой и в космической отрасли. Специалисты обеспокоены тем, что спутниковые снимки иногда используются не по назначению и в низких целях.

Что такое дипфейки?

Дипфейки – это созданный синтетически медиаконтент, который изменяет внешний вид изображения, заменяя одну сцену другой. Такие альтернативные варианты изображения генерируются с помощью машинного обучения и, как правило, методов нейронных сетей глубокого обучения, которые изменяют изображение.

Как создаются дипфейки спутниковых снимков?

Общий набор методов, используемых для дипфейков, включает в себя генеративные состязательные сети (GAN) и циклически последовательные состязательные сети (Cycle gang), которые и используются для создания дипфейков спутниковых изображений.

Этот алгоритм применяет нейронную сеть, которая автоматически обучает image-to-image модели, переводящие местоположение x и y без парных обучающих примеров. Это неконтролируемый метод, использующий коллекцию изображений, которая находит сопоставимые изображения и может заменить изображение местоположения другим местоположением, сохраняя при этом реалистичный внешний вид всей сцены. Например, распространенные приложения включают преобразование одного животного или человека в другое похожее животное или в другого человека (например, замена лошади и зебры).

Такие алгоритмы используются для космических дипфейков, они меняют местами объекты или местоположения на спутниковых снимках с высоким разрешением. Хотя такие алгоритмы являются относительно новыми для спутниковых снимков и создания карт в целом, дипфейки являются частью манипулирования географическими данными. Другими словами, мотивы для создания дипфейков не новы, даже если используемые в настоящее время методы разработаны относительно недавно.

Обнаружение дипфейков спутниковых снимков

Дипфейки не просто используются для высмеивания людей или организаций, но рассматриваются также как потенциальная угроза странам и их безопасности. Чтобы противостоять дипфейкам, были созданы алгоритмы для определения дипфейковых изображений.

Общая сеть поддельных признаков (CFFN) – это один из методов определения дипфейковых изображений. Он часто используется наряду со стандартными сверточными нейронными сетями (CNN), которые обнаруживают потенциальные различающие признаки с помощью попарного обучения и предполагают потенциальное изменение или чередование изображения. Другие методы включают извлечение пространственных объектов с использованием SSTNet, извлекающим объекты и временные данные для изменения изображений.

В целом, исследователи противопоставили дипфейковые модели нейронных сетей другим нейронным сетям, которые могут перепроектировать или обнаруживать формы и пиксели, изменяющихся от одного кадра к другому, или просто обнаруживать изменения, отличающиеся от ожидаемых. Некоторые методы даже ищут изменения в шуме или других артефактах, распространенных в изображениях, которые могут отсутствовать или изменяться в дипфейках. Хотя многие из этих методов применяются к изображениям и видеоконтенту в Интернете, исследователи видят, что они также полезны для спутниковых снимков.

Эволюция алгоритмов дипфейков и алгоритмов для борьбы с дипфейками демонстрирует, что возникает своего рода гонка вооружений, которая может означать, что мы видим все более сложные методы дипфейков и более сложные методы противодействия этому. В модели нейронных сетей добавляются дополнительные слои, которые изменяют или обнаруживают заданные функции. Это означает, что нейронные сети хорошо подходят для превращения алгоритмов в более сложный механизм, который одновременно противодействует и создает дипфейки.

Дипфейки стали почти повсеместными в Интернете, так что мы часто не уверены, на что мы смотрим и является ли это реальным изображением или сгенерированным компьютером. В космической сфере дипфейки спутниковых снимков приводят к манипулированию геопространством. К счастью, теперь доступны методы противодействия распространенным дипфейкам нейронным сетям; но мы все равно наблюдаем только начало дипфейк-алгоритмов, применяемых к геопространственным данным.