Desenmascarar técnicas forenses: un enfoque impulsado por DCNN para descubrir la mejora del contraste y la detección...

Área de la Ciencia:

• Ciencias Forenses Digitales
• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• Las técnicas anti-forenses, como la mejora del contraste y el filtrado mediano, plantean desafíos en la forense de imágenes digitales.
• Las tácticas anti-forenses sofisticadas complican cada vez más la detección de la manipulación de imágenes.

Objetivo del estudio:

• Desarrollar un método automatizado para detectar y clasificar técnicas anti-forenses en imágenes digitales.
• Abordar la necesidad urgente de soluciones fiables contra las estrategias forenses en evolución.

Principales métodos:

• Se propuso una arquitectura de red neuronal convolucional profunda (DCNN) forense de varias clases.
• El DCNN integra flujos de características específicas de dominio y preprocesamiento de dominio residual para resaltar los artefactos de manipulación.
• El conjunto de datos de Boss Base se utilizó para entrenar y probar el modelo.

Principales resultados:

• El modelo DCNN propuesto logró una alta precisión del 96,42% en el reconocimiento de imágenes sometidas a filtrado mediano y aumento de contraste.
• El modelo demostró robustez frente a la compresión y distinguía efectivamente entre varios tipos de manipulación compleja.
• El DCNN identificó con éxito artefactos de manipulación sutiles invisibles a simple vista.

Conclusiones:

• El DCNN desarrollado ofrece una herramienta fiable y automatizada para los investigadores forenses digitales.
• La integración de flujos inteligentes de preprocesamiento y adaptados al dominio mejora la eficacia del modelo frente a las actividades forenses.
• Este enfoque satisface la creciente demanda de técnicas de detección precisas en el análisis forense de imágenes digitales.