Uma Dense-InceptionNet de Ponta a Ponta para Detecção de Falsificação de Imagem por Cópia-Movimento

Um novo esquema de detecção de falsificação de imagem por cópia-movimento usando uma Dense-InceptionNet é proposto neste artigo. Dense-InceptionNet é uma rede neural profunda (DNN) de conexão de características densas multi-dimensionais e de ponta a ponta. Este é o primeiro modelo de DNN a aprender autonomamente as correlações de características e buscar os possíveis trechos de falsificação através das pistas de correspondência. A Dense-InceptionNet proposta consiste em módulos de Extrator de Características em Pirâmide (PFE), Correspondência de Correlações de Características (FCM) e Processamento Pós-Hierárquico (HPP). O módulo PFE é proposto para extrair características densas multi-dimensionais e em múltiplas escalas. As características de cada camada neste módulo extrator estão diretamente conectadas às camadas anteriores. O módulo FCM é proposto para aprender as altas correlações das características profundas e obter três mapas de correspondência candidatos. Por fim, o módulo HPP utiliza os três mapas de correspondência para obter uma combinação de entropias cruzadas, sendo susceptível a um melhor treinamento via retropropagação. Experimentos demonstram que a eficiência da Dense-InceptionNet proposta é muito superior a outros métodos de ponta, enquanto alcança o melhor desempenho relativo contra a maioria dos ataques conhecidos.