شناسایی و تعیین موقعیت جعل تصاویر با استفاده از ویژگی های نمونه برداری مجدد و فراگیری عمیق

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

شناسایی و تعیین موقعیت جعل تصاویر با استفاده از ویژگی های نمونه برداری مجدد و فراگیری عمیق

عنوان لاتین

Detection and Localization of Image Forgeries using Resampling Features and Deep Learning

نمونه برداری مجدد نشانه ی مهمی از تصاویر دستکاری شده می باشد. در این مقاله، ما دو مدل برای شناسایی و تعیین موقعیت دستکاری تصاویر بر اساس ترکیبی از ویژگی های نمونه برداری مجدد و فراگیری عمیق ارائه می دهیم. در اولین روش، تبدیل رادون ویژگی های نمونه برداری مجدد بر روی همپوشانی تکه های تصویر محاسبه شده است. سپس، برای ایجاد یک نقشه حرارتی یک مدل میدان تصادفی شرطی گاوسیس و طبقه بندی های فراگیری عمیق مورد استفاده قرار گرفته شد. نواحی آسیب دیده با استفاده از روش تقسیم بندی تصادفی واکر قرار می گیرندذ. در روش دوم، ویژگی های نمونه برداری مجدد محاسبه شده بر روی همپوشانی تکه های تصویر از طریق یک حافظه ی کوتاه مدت طویل (LSTM) مبتنی بر شبکه ای برای طبقه بندی و تعیین موقعیت منتقل می شوند. ما عملکرد شناسایی/ تعیین موقعیت هردو روش را مورد مقایسه قرار می دهیم. نتایج تجربی ما نشان می دهد که هر دو تکنیک در شناسایی و تعیین موقعیت جعل تصاویر دیجیتال موثر هستند.

Resampling is an important signature of manipulated images. In this paper, we propose two methods to detect and localize image manipulations based on a combination of resampling features and deep learning. In the first method, the Radon transform of resampling features are computed on overlapping image patches. Deep learning classifiers and a Gaussian conditional random field model are then used to create a heatmap. Tampered regions are located using a Random Walker segmentation method. In the second method, resampling features computed on overlapping image patches are passed through a Long short-term memory (LSTM) based network for classification and localization. We compare the performance of detection/localization of both these methods. Our experimental results show that both techniques are effective in detecting and localizing digital image forgeries.