ابزارهای پیشرفته و کم هزینه عصر دیجیتال این امکان را فراهم آورده است که به راحتی بتوان بر روی تصاویر دیجیتال تغییرات نامحسوس ایجاد کرده و دست کاری شان کرد. این کار باعث می شود که تشخیص اصالت تصویر دشوار شود. از همین رو در سال های اخیر پژوهشگران حوزه تصویر به ارائه روش های مختلفی جهت شناسایی تصاویر دستکاری شده و تفکیک آن-ها از تصاویر اصلی پرداختند. در سال های اخیر استفاده از تکنیک های یادگیری عمیق به عنوان کاربردی ترین روش ها در طبقه بندی داده ها مورداستفاده قرارگرفته است. شبکه های عصبی کانولوشنی ازجمله این تکنیک ها است. این دسته از شبکه های عصبی که مبتنی بر یادگیری عمیق ارائه شده اند نسبت به شبکه های عصبی معمولی به دلیل داشتن لایه های کانولوشن و مخفی بیشتر در زمینه کار با ورودی های بالاتر مانند تصاویر دارای توانمندی بیشتری هستند. یک معضل جدی در آموزش شبکه عصبی کانولوشن، به موضوع آموزش آن ها از ابتدا بازمی گردد این معضل ناشی از کمبود داده های طبقه بندی شده جهت آموزش و زمان بر بودن فرایند آموزش تا یک همگرایی مناسب است؛ بنابراین یک روش متداول برای آموزش شبکه های عصبی کانولوشن بر روی تصاویر چهره دستکاری شده، بر اساس باز تنظیم شبکه های از پیش آموزش یافته، می باشد. در این مقاله یک روش برای تفکیک تصاویر معرفی شده است که با استخراج ویژگی های مهم تصاویر برچسب گذاری می شوند. مدل پیشنهادی علاوه بر تعداد پارامتر و عمق کمتر، دارای دقت بیشتری نسبت به مدل های پیشین است.
