論文の概要: Digital Image Forensics using Deep Learning

• arxiv url: http://arxiv.org/abs/2210.09052v1
• Date: Fri, 14 Oct 2022 02:27:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 21:05:40.578769
• Title: Digital Image Forensics using Deep Learning
• Title（参考訳）: 深層学習を用いたデジタル画像鑑定
• Authors: Akash Nagaraj, Mukund Sood, Vivek Kapoor, Yash Mathur, Bishesh Sinha
• Abstract要約: 本プロジェクトの目的は、画像に内在的に残されている情報のトレースを用いて、どのカメラが画像をキャプチャしたかを特定するアルゴリズムを構築することである。 この問題を解決することは、刑事裁判や民事裁判、さらにはニュース報道で使われた証拠の検証に大きな影響を与えるだろう。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: During the investigation of criminal activity when evidence is available, the issue at hand is determining the credibility of the video and ascertaining that the video is real. Today, one way to authenticate the footage is to identify the camera that was used to capture the image or video in question. While a very common way to do this is by using image meta-data, this data can easily be falsified by changing the video content or even splicing together content from two different cameras. Given the multitude of solutions proposed to this problem, it is yet to be sufficiently solved. The aim of our project is to build an algorithm that identifies which camera was used to capture an image using traces of information left intrinsically in the image, using filters, followed by a deep neural network on these filters. Solving this problem would have a big impact on the verification of evidence used in criminal and civil trials and even news reporting.
• Abstract（参考訳）: 証拠がある場合の犯罪行為の調査中、手元にある問題は、ビデオの信頼性を判断し、ビデオが本物であることを確かめることである。 今日、映像を認証する方法の1つは、問題の画像やビデオの撮影に使われたカメラを特定することである。 これを行う非常に一般的な方法は、画像メタデータを使用することだが、ビデオコンテンツの変更や、2つの異なるカメラからのコンテンツのスプライシングによって、このデータは簡単に偽造することができる。 この問題に提案された解の多さを考えると、まだ十分解決されていない。 本研究の目的は,フィルタを用いて画像に残されている情報のトレースを用いて,どのカメラが画像の撮影に使用されたかを特定するアルゴリズムを構築することである。 この問題を解決することは、刑事裁判や民事裁判、さらにはニュース報道で使われる証拠の検証に大きな影響を与えるだろう。

関連論文リスト

• PRNU Based Source Camera Identification for Webcam and Smartphone Videos [137.6408511310322]
  このコミュニケーションは、Webカメラ/スマートフォンビデオのソースカメラ(SCI: Source Camera Identification)を特定するためにカメラセンサ指紋を使用する画像法医学の応用に関するものである。
  論文  参考訳（メタデータ） (2022-01-27T18:57:14Z)
• VPN: Video Provenance Network for Robust Content Attribution [72.12494245048504]
  VPN - オンラインで共有されているビデオから出典情報を復元するコンテンツ属性手法を提案する。 完全長あるいは切り離されたビデオクエリを用いて,このようなビデオのマッチングに頑健な検索埋め込みを学習する。 一度ビデオクリップの信頼できるデータベースにマッチすると、そのクリップの出所に関する関連情報がユーザに提示される。
  論文  参考訳（メタデータ） (2021-09-21T09:07:05Z)
• Few-Shot Learning for Video Object Detection in a Transfer-Learning Scheme [70.45901040613015]
  ビデオ物体検出のための数発学習の新たな課題について検討する。 我々は,多数のベースクラスオブジェクトに対して映像物体検出を効果的に訓練するトランスファー学習フレームワークと,ノベルクラスオブジェクトのいくつかのビデオクリップを用いる。
  論文  参考訳（メタデータ） (2021-03-26T20:37:55Z)
• Efficient video integrity analysis through container characterization [77.45740041478743]
  本稿では,ビデオ操作に使用するソフトウェアをコンテナベースで識別する手法を提案する。 提案手法は効率的かつ効果的であり,その決定の簡易な説明も可能である。 プリストインを改ざんされたビデオと区別し、編集ソフトを分類することで97.6%の精度を達成している。
  論文  参考訳（メタデータ） (2021-01-26T14:13:39Z)
• Video Camera Identification from Sensor Pattern Noise with a Constrained ConvNet [7.229968041355052]
  本稿では,ビデオフレームから抽出したカメラ固有のノイズパターンに基づいて,映像のソースカメラを識別する手法を提案する。 本システムは,映像フレームを個別に分類し,多数決によりソースカメラの識別を行うように設計されている。 この研究は、子どもの性的虐待に対する法医学に焦点を当てたEUが支援するプロジェクト4NSEEKの一部です。
  論文  参考訳（メタデータ） (2020-12-11T12:17:30Z)
• Identity-Driven DeepFake Detection [91.0504621868628]
  アイデンティティ駆動のDeepFake Detectionは、被疑者画像/ビデオとターゲットのアイデンティティ情報を入力する。 被疑者画像・映像の同一性は対象人物と同一かという判断を出力する。 本稿では,新たな研究のベースラインとして,簡単な識別ベース検出アルゴリズムであるouterfaceを提案する。
  論文  参考訳（メタデータ） (2020-12-07T18:59:08Z)
• The Forchheim Image Database for Camera Identification in the Wild [10.091921099426294]
  Forchheim Image Database (FODB)は、27台のスマートフォンカメラで143シーンの23,000枚以上の画像で構成されている。 各画像は、オリジナルのカメラネイティブバージョンと、ソーシャルネットワークから5つのコピーの6つの異なる品質で提供される。 汎用EfficientNetは、クリーン画像と圧縮画像の両方で、いくつかの専門のCNNを著しく上回っている。
  論文  参考訳（メタデータ） (2020-11-04T11:54:54Z)
• Deepfake Video Forensics based on Transfer Learning [0.0]
  ディープフェイク」は、人間が本物のものと区別できない偽のイメージやビデオを作ることができる。 本稿では,各ディープフェイク映像フレームの特徴を把握するために,画像分類モデルを再学習する方法について述べる。 Deepfakeのビデオをチェックすると、87%以上の精度が得られた。
  論文  参考訳（メタデータ） (2020-04-29T13:21:28Z)
• Device-based Image Matching with Similarity Learning by Convolutional Neural Networks that Exploit the Underlying Camera Sensor Pattern Noise [6.6602878519516135]
  本稿では,ある画像が同一のソースカメラを持つ可能性を定量化する2部ネットワークを提案する。 我々の知る限りでは、デバイスベースの画像マッチングの課題に対処する最初の人物である。 この研究はEUが支援する4NSEEKプロジェクトの一部であり、児童性的虐待に対する法医学に関するものである。
  論文  参考訳（メタデータ） (2020-04-23T20:03:40Z)
• Camera Trace Erasing [86.15997461603568]
  我々は、トレースベースの法医学的手法の弱点を明らかにするために、新しい低レベル視覚問題であるカメラトレース消去に対処する。 そこで我々は,ネットワークトレーニングのためのSiameseアーキテクチャに基づいて,新たなハイブリッドロスを設計したSiamese Trace Erasing (SiamTE)を提案する。
  論文  参考訳（メタデータ） (2020-03-16T00:09:55Z)
• CNN-based fast source device identification [30.17213343080699]
  畳み込みニューラルネットワーク(CNN)を用いた高速かつ正確な解法を提案する。 具体的には、カメラ指紋と画像ノイズをパッチレベルで比較する方法を学習する2チャンネルCNNを提案する。 このアプローチは、ソーシャルネットワークなど、大規模な画像データベースが分析されるシナリオに特に適している。
  論文  参考訳（メタデータ） (2020-01-31T14:01:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。