Rede Shuffle-Net V2 Baseada em Atenção Híbrida com Redes de Contexto Convolucional Global e Rede de Segmentação de Cena em Pirâmide Aprimorada para Detecção de Falsificação de Imagens

A detecção de falsificação de imagens é o processo de identificar imagens manipuladas ou alteradas para determinar sua autenticidade, garantindo a integridade da mídia digital. A falsificação de imagens foi prevista para manter a confiança na mídia digital, prevenir a desinformação e garantir a credibilidade das evidências visuais em vários campos, como jornalismo e aplicação da lei. Métodos tradicionais para prever falsificações de imagens dependiam de inspeção manual e métodos básicos de processamento de imagens, essas técnicas eram demoradas, exigiam conhecimento especializado e eram propensas a erros humanos, tornando-as menos confiáveis e eficientes. Técnicas de Inteligência Artificial (IA) recentemente apresentadas automatizam o processo de detecção, aprendendo com grandes conjuntos de dados, oferecendo maior precisão e tempos de processamento mais rápidos. No entanto, esses métodos precisam de grandes quantidades de dados rotulados e de um bom poder computacional para treinar os modelos adequadamente. Para abordar essas limitações, as Redes de Contexto Convolucional Global (GCCNet) propostas foram empregadas para identificar imagens falsas. A imagem é primeiramente retirada de um conjunto de dados que foi usado para detectar movimentos de cópia. O Filtro de Transformação de Wavelet Quântico (QWTF) e o algoritmo RetiNex são usados para pré-processar a imagem de entrada. Ou seja, o ruído da imagem original é eliminado usando o QWTF, e o contraste dos pixels é melhorado usando o RetiNex. A porção copiada das imagens pré-processadas é então segmentada usando a Rede de Segmentação de Cena em Pirâmide (CAP-PSPNet), que é baseada em Processamento Sensível ao Contorno para tornar as bordas da segmentação mais nítidas. A porção segmentada da imagem é então passada para uma Rede Shuffle-Net V2 baseada em Atenção Híbrida (ATSNetV2) com Redes de Contexto Convolucional Global (GCCNet) para prever imagens reais ou falsas. Como resultado, o modelo alcançou uma precisão de 96,60%, uma taxa de erro de 3,40% e um F1-score de 96,7%. Isso destaca que o modelo proposto oferece alta precisão e confiabilidade na detecção de falsificações de imagens.