Меню
Публикации
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор
НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 10.17586/2226-1494-2020-20-3-425-431
УДК 004.932.2
ПРИМЕНЕНИЕ НЕЙРОННОЙ СЕТИ АРХИТЕКТУРЫ U-NET ДЛЯ ЗАДАЧИ ЛОКАЛИЗАЦИИ НАРУШЕНИЙ ЦЕЛОСТНОСТИ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ
Читать статью полностью
Язык статьи - русский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Абдуллина К.М., Спивак А.И. Применение нейронной сети архитектуры U-Net для задачи локализации нарушений целостности цифровых изображений // Научно-технический вестник информационных технологий, механики и оптики. 2020. Т. 20. № 3. С. 425–431. doi: 10.17586/2226-1494-2020-20-3-425-431
Аннотация
Предмет исследования. Исследована применимость нейронной сети архитектуры U-Net для задачи локализации модификаций на изображении. Реализован метод, позволяющий определять модифицированное изображение и выделять часть изображения, на котором было обнаружено изменение. Метод. Использован подход на основе глубокого машинного обучения — нейронной сети. Исследована архитектура нейронной сети U-Net. В качестве базы для обучения модели создан тренировочный набор данных с оригинальными изображениями и изображениями, модифицированными с помощью графического редактора. Предложенный метод использует структуру изображения на уровне отдельных пикселей. Основные результаты. Обученная модель показала высокий, до 80 % уровень распознавания модификаций яркости и до 64 % копирования-сдвига. Практическая значимость. Полученный результат может быть применен на практике в криминалистике для выявления модифицированных фрагментов изображения и при защите авторского права.
Ключевые слова: изображения, модификации, нейронные сети, U-Net, информационная безопасность, нарушение целостности
Список литературы
Список литературы
-
Серова А.И., Спивак А.И. Использование методов машинного обучения для определения нарушений целостности JPEG-изображений // Научно-технический вестник информационных технологий, механики и оптики. 2018. Т. 18. № 2. С. 299–306. doi: 10.17586/2226-1494-2018-18-2-299-306
-
Al-Qershi O.-M., Khoo B.E. Passive detection of copy-move forgery in digital images: State-of-the-art // Forensic Science International. 2013. V. 231. N 1-3. P. 284–295. doi: 10.1016/j.forsciint.2013.05.027
-
Amerini I., Ballan L., Caldelli R., Del Bimbo A., Serra G. A SIFT-based forensic method for copy-move attack detection and transformation recovery // IEEE Transactions on Information Forensics and Security. 2011. V. 6. N 3. P. 1099–1110. doi: 10.1109/TIFS.2011.2129512
-
Cozzolino D., Poggi G., Verdoliva L. Efficient dense-field copy-move forgery detection // IEEE Transactions on Information Forensics and Security. 2015. V. 10. N 11. P. 2284–2297. doi: 10.1109/TIFS.2015.2455334
-
Bravo-Solorio S., Nandi A.K. Automated detection and localisation of duplicated regions affected by reflection, rotation and scaling in image forensics // Signal Processing. 2011. V. 91. N 8. P. 1759–1770. doi: 10.1016/j.sigpro.2011.01.022
-
Verdoliva L., Cozzolino D., Poggi G. A feature-based approach for image tampering detection and localization // Proc. IEEE International Workshop on Information Forensics and Security (WIFS). 2014. P. 149–154. doi: 10.1109/WIFS.2014.7084319
-
Healey G., Kondepudy R. Radiometric CCD camera calibration and noise estimation // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1994. V. 16. N 3. P. 267–276. doi: 10.1109/34.276126
-
LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition // Proceedings of the IEEE. 1998. V. 86. N 11. P. 2278–2324. doi: 10.1109/5.726791
-
Ronneberger O., Fischer Ph., Brox T. U-Net: Convolutional networks for biomedical image segmentation // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2015. V. 9351. P. 234–241. doi: 10.1007/978-3-319-24574-4_28
-
Kingma D.P., Ba J.L. Adam: A method for stochastic optimization // Proc. 3rd International Conference on Learning Representations (ICLR 2015). 2015. P. 149801
-
Rezatofighi H., Tsoi N., Gwak J., Sadeghian A., Reid I., Savarese S. Generalized intersection over union: A metric and a loss for bounding box regression // Proc. 32nd IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2019. P. 658–666. doi: 10.1109/CVPR.2019.00075