Détection améliorée de falsification d'image utilisant l'analyse du niveau d'erreur et le CNN

Cet article présente une approche novatrice pour la détection de falsifications d'image en intégrant l'analyse du niveau d'erreur (ELA) avec un réseau de neurones convolutif (CNN). Les méthodes forensiques traditionnelles, telles que l'ELA et l'analyse des pixels résiduels (RPA), ont souvent du mal à détecter des manipulations subtiles ou avancées dans les images numériques. Pour remédier à ces limitations, cette méthode exploite l'ELA pour mettre en évidence les variations induites par la compression et le CNN pour extraire et classifier les caractéristiques spatiales révélatrices de falsification. Le jeu de données, composé d'images authentiques et falsifiées, a été prétraité pour générer des représentations ELA, qui ont ensuite été utilisées pour entraîner un modèle CNN conçu pour distinguer les régions authentiques et manipulées. Des expériences approfondies ont été réalisées sur le jeu de données CASIA v2.0, démontrant des améliorations significatives en termes de précision, de précision et de rappel de détection. Le cadre proposé a atteint une précision de détection de 96,21 %, surpassant des modèles d'apprentissage profond établis tels que VGG16, VGG19 et ResNet101. Ces résultats soulignent le potentiel de la combinaison de l'ELA et du CNN pour faire progresser l'analyse d'images, offrant une solution robuste pour garantir l'intégrité du contenu numérique à une époque de manipulation numérique sophistiquée.