Uma abordagem de aprendizado profundo para detecção de fraudes de recorte e cópia em imagens

Neste artigo, apresentamos um novo método de detecção de fraudes em imagens baseado em técnica de aprendizado profundo, que utiliza uma rede neural convolucional (CNN) para aprender automaticamente representações hierárquicas a partir das imagens de entrada em cores RGB. A CNN proposta é especificamente projetada para aplicações de detecção de recorte e cópia. Em vez de uma estratégia aleatória, os pesos na primeira camada de nossa rede são inicializados com o conjunto básico de filtro passa-alta usado no cálculo de mapas residuais no modelo rico espacial (SRM), que atua como um regulador para suprimir eficientemente o efeito do conteúdo da imagem e capturar os artefatos sutis introduzidos pelas operações de adulteração. A CNN pré-treinada é usada como descritor de patch para extrair características densas das imagens de teste, e uma técnica de fusão de características é então explorada para obter as características discriminativas finais para classificação SVM. Os resultados experimentais em vários conjuntos de dados públicos mostram que o modelo baseado em CNN proposto supera alguns métodos de ponta.