Clasificación de Imágenes Reales vs Generadas por IA con Técnicas de Explicabilidad

Este repositorio contiene el código y los resultados del proyecto de investigación sobre la detección de imágenes sintéticas desarrollado para el ramo INF473 INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL EXPLICABLE.

➡️ Leer el Informe Completo del Proyecto (PDF)

Descripción del Proyecto

Este proyecto implementa un sistema completo de clasificación binaria para distinguir entre imágenes reales e imágenes generadas por IA, utilizando el dataset CIFAKE de Kaggle. El enfoque principal está en la aplicación de múltiples técnicas de Inteligencia Artificial Explicable (XAI) para interpretar y visualizar las decisiones del modelo.

Características Principales

• Dataset: CIFAKE con imágenes reescaladas a 224x224 pixels clasificadas como REAL o FAKE
• Múltiples Arquitecturas: Modelo CNN personalizado, VGG16 y InceptionV3 con Transfer Learning
• Técnicas XAI: Implementación de 2 técnicas diferentes de explicabilidad
• Evaluación Completa: Métricas de rendimiento con visualizaciones detalladas

Flujo de Trabajo

1. Preparación de Datos

   • Preprocesamiento específico para cada arquitectura (VGG16/InceptionV3)
   • Augmentación de datos (RandomFlip, RandomRotation, RandomZoom)
   • División eficiente con tf.data.Dataset y optimización con AUTOTUNE

2. Arquitecturas de Modelos

   • CNN Personalizada: Modelo secuencial con bloques Conv2D, BatchNormalization, MaxPooling y Dropout
   • VGG16 Transfer Learning: Con fine-tuning desde el ultimo bloque convolucional
   • InceptionV3 Transfer Learning: Con fine-tuning desde la capa 'mixed9'

3. Entrenamiento y Optimización

   • Callbacks avanzados: EarlyStopping y ModelCheckpoint
   • Métricas múltiples: Accuracy, Binary Crossentropy Loss, F1-Score
   • Estrategia de fine-tuning con learning rates adaptativos

4. Técnicas de Explicabilidad (XAI)

   • Grad-CAM: Mapas de activación de gradientes usando tf-keras-vis
   • SmoothGrad: Gradientes suavizados con tf-keras-vis

5. Visualización y Análisis

   • Comparación visual de predicciones vs etiquetas reales
   • Mapas de calor superpuestos para cada técnica XAI

Objetivo

El proyecto no solo busca lograr una clasificación precisa de imágenes reales vs generadas por IA, sino principalmente comprender y explicar cómo el modelo toma sus decisiones mediante la implementación y comparación de múltiples técnicas de XAI, proporcionando insights valiosos sobre las características que el modelo considera más importantes para la clasificación.

Técnicas XAI Implementadas

1. Grad-CAM (Gradient-weighted Class Activation Mapping)

• Visualiza las regiones de la imagen que más contribuyen a la predicción
• Utiliza gradientes de la capa convolucional final
• Genera mapas de calor superpuestos sobre la imagen original

2. SmoothGrad

• Mejora la calidad de los Saliency Maps mediante promediado de múltiples muestras con ruido
• Implementado con tf-keras-vis
• Reduce el ruido en las visualizaciones de gradientes

Notebook del Proyecto

Puedes abrir y ejecutar el notebook directamente en Google Colab usando el siguiente botón:

Contribuciones

Este proyecto forma parte del curso INF473 y está enfocado en demostrar la implementación práctica de técnicas de XAI en clasificación de imágenes.