Semantic Segmentation

เทคนิคทางคอมพิวเตอร์วิทัศน์ (Computer Vision) ที่ทำการจำแนกประเภทของแต่ละพิกเซลในรูปภาพ ว่าเป็นภาพพื้นหลัง (Background) หรือเป็นรอยที่ถูกดัดแปลงตัดต่อ (Forgery)

---

หลักการทำงาน

ระบบประเมินความเสี่ยงและตรวจสอบร่องรอยการตัดต่อในระดับพิกเซลด้วยโมเดล Deep Learning (SegFormer) โดยวิเคราะห์บริบทของภาพทั้งในระดับโครงสร้างรวม (Global Context) และรายละเอียดระดับขอบเขตพิกเซล (Local Details)

ขั้นตอน:

1. รูปภาพดิบจะถูกส่งเข้าโมเดล SegFormer
2. โมเดลสกัด Features ในหลายระดับความละเอียด (Hierarchical Features)
3. Decoder ของโมเดลจะรวม Features เข้าด้วยกัน และทำการทำนาย (Prediction) ว่าแต่ละพิกเซลในภาพมีความน่าจะเป็นที่จะเป็นรอยตัดต่อมากน้อยเพียงใด
4. ผลลัพธ์ที่ได้จะเป็น Probability Map ที่สามารถนำไปพล็อตเป็นภาพแผนที่ความร้อน (Heatmap) แสดงบริเวณที่น่าสงสัย

---

ประเภทการปลอมแปลงที่ตรวจจับได้

---

Semantic Segmentation ในระบบนี้

เทคนิคนี้เป็นกลไกหลักที่ใช้โดย AI Inference Service ผ่านโมเดล SegFormer

กระบวนการ:

1. API ส่งภาพไปยัง AI Inference Service
2. ภาพถูกป้อนเข้าสู่กระบวนการ Semantic Segmentation ด้วยโมเดล SegFormer
3. SegFormer สร้าง Segmentation Mask / Probability Map ออกมา
4. Mask ถูกแปลงเป็น Heatmap สำหรับแสดงผลให้ผู้ใช้เห็นจุดเสี่ยง

---

ประเด็นสำคัญ

• แตกต่างจาก Image Classification ที่บอกแค่ว่า "มี" หรือ "ไม่มี" การตัดต่อ แต่ Semantic Segmentation จะชี้ตำแหน่งพิกเซล (Localization) ให้เห็นชัดเจน
• ใช้ Differential Learning Rates ในการ Train โมเดลให้มีความแม่นยำสูง
• ได้ผลดีกับประเภทภาพหลอกลวงที่พบบ่อยที่สุด: สลิปที่ถูกแก้ไขตัวเลข, ใบเสร็จปลอม, รูปโปรไฟล์ที่เปลี่ยนใบหน้า

---

หน้าที่เกี่ยวข้อง

• concepts/ai-model-segformer
• concepts/multi-layer-analysis
• concepts/explainable-ai
• architecture/ai-inference-service