Can Deep Network Balance Copy-Move Forgery Detection and Distinguishment?

要約

コピームーブ偽造検出は、画像内のオブジェクトが複製され、異なる場所に配置されているインスタンスを特定することに焦点を当てているため、デジタル画像フォレンジックの重要な研究分野です。
このような偽造の検出は、悪意のある目的に悪用される可能性がある状況では特に重要です。
近年、コピームーブ偽造において元のオブジェクトと複製されたオブジェクトを区別することへの関心が高まっており、これに伴い、この作業を容易にする大規模なデータセットが開発されています。
ただし、コピームーブ偽造の検出とソース/ターゲットの区別に対する既存のアプローチには、多くの場合、タスクごとに 2 つの別個のステップまたは個別のエンドツーエンド ネットワークの設計が含まれます。
この論文では、エンドツーエンドのディープ ニューラル ネットワークでトランスフォーマー アーキテクチャを採用する革新的な方法を提案します。
私たちの方法は、コピームーブ偽造のインスタンスを検出すると同時に、ソース領域とターゲット領域を特定することを目的としています。
このアプローチを利用することで、複数オブジェクトのコピーと移動のシナリオによってもたらされる課題に対処し、検出タスクと区別タスクの間にバランスがあるかどうかを報告します。
提案したネットワークのパフォーマンスを評価するために、公開されている 2 つのコピー/移動データセットで実験を実施しました。
この結果と分析は、検出と識別結果のバランスをとり、訓練されたモデルを現場のさまざまなデータセットに転送することに焦点を当てた潜在的な重要性を示すことを目的としています。

要約(オリジナル)

Copy-move forgery detection is a crucial research area within digital image forensics, as it focuses on identifying instances where objects in an image are duplicated and placed in different locations. The detection of such forgeries is particularly important in contexts where they can be exploited for malicious purposes. Recent years have witnessed an increased interest in distinguishing between the original and duplicated objects in copy-move forgeries, accompanied by the development of larger-scale datasets to facilitate this task. However, existing approaches to copy-move forgery detection and source/target differentiation often involve two separate steps or the design of individual end-to-end networks for each task. In this paper, we propose an innovative method that employs the transformer architecture in an end-to-end deep neural network. Our method aims to detect instances of copy-move forgery while simultaneously localizing the source and target regions. By utilizing this approach, we address the challenges posed by multi-object copy-move scenarios and report if there is a balance between the detection and differentiation tasks. To evaluate the performance of our proposed network, we conducted experiments on two publicly available copy-move datasets. The results and analysis aims to show the potential significance of our focus in balancing detection and distinguishment result and transferring the trained model in different datasets in the field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google