Authentification Visuelle et Détection de Contrefaçons : Une Approche Multi-Modale Fondée sur DINOv2, CLIP et l'Intégration de Méthodes d'Explainable AI

Introduction

La problématique de la détection de contrefaçons dans un contexte de flux d'images massifs et variés constitue un enjeu majeur pour l'authentification visuelle moderne. Cette recherche propose une approche novatrice reposant sur l'utilisation de représentations visuelles avancées issues de modèles d'apprentissage auto-supervisés et multi-modaux de dernière génération. L'objectif central consiste à établir un cadre robuste et évolutif capable de distinguer les produits authentiques des copies avec un niveau de précision élevé, tout en maintenant une performance opérationnelle adaptée aux contraintes industrielles. L'approche développée intègre les capacités de DINOv2 pour l'extraction de features visuelles robustes et celles de CLIP pour l'alignement multi-modal texte-image. Un accent particulier est mis sur l'interprétabilité des décisions algorithmiques grâce à l'intégration de techniques d'Explainable AI, garantissant la transparence nécessaire aux applications critiques. Cette contribution s'inscrit dans l'évolution des systèmes de vérification d'authenticité basés sur l'intelligence artificielle.

Méthodologie Multi-Modale

Le cadre proposé combine les forces des embeddings auto-supervisés avec des mécanismes d'attention cross-modale, permettant une analyse fine des caractéristiques visuelles distinctives tout en fournissant des explications intelligibles des décisions de classification.

[Recherche en cours de développement - Publication prévue]