探索机器学习方法,以有效地检测图像伪造
Abilash Radhakrishnan1, Tukaram Namdev Sawant2, Cheepurupalli Raghuram3
1Maria College of Engineering and Technology, Attoor, India.
Journal of forensic sciences
|May 10, 2025
概括
检测数字图像伪造对于信任至关重要. 这项研究引入了一种使用TSETMF,MSH和FR-CNN的机器学习系统,以准确识别操纵的图像,达到98.5%的准确性.
科学领域:
- 计算机科学 计算机科学
- 数字法医学数字法医学
- 图像处理 图像处理
背景情况:
- 可访问的图像处理工具引发了对视觉内容真实性的担忧.
- 伪造技术威胁到个人,新闻和安全环境,需要强大的检测方法.
- 保持对数字媒体的信任,需要可靠的系统来识别改变的图像.
研究的目的:
- 开发一个强大的系统来检测各种图像伪造 (复制移动,拼接,移除对象).
- 在图像伪造检测中尽量减少假阳性和假阴性.
- 提高机器学习模型识别和识别伪造图像的能力.
主要方法:
- 使用二维最大香农透中位过器 (TSETMF) 来降低噪声和增强细节.
- 采用多维光谱哈希 (MSH) 进行高效,紧的特征提取和改进的图案识别.
- 实施更快的基于区域的卷积神经网络 (FR-CNN) 以快速定位和特征提取操纵区域.
主要成果:
- 拟议的机器学习方法实现了高精度 (98.5%),精度 (97.0%),回忆 (98.2%) 和F1得分 (98.1%).
- 综合系统证明了对各种伪造方法的稳定性.
- 通过提高处理速度和准确度,实时分析能力得到了增强.
结论:
- 机器学习技术,包括CNN和MSH,显著提高了图像伪造检测的准确性,速度和稳定性.
- 开发的系统有效地打击不断发展的图像伪造方法.
- 未来的研究应该专注于更强大的模型,无监督学习和跨领域的应用.
