Detecção de imagens falsificadas baseada em descritores locais de textura e rede neural convolucional

Página do item simplificado
dc.contributor.advisor-co1Soares, Fabrizzio Alphonsus Alves de Melo Nunes
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/7206645857721831pt_BR
dc.contributor.advisor1Cruz Júnior, Gélson da
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/4370555454162131pt_BR
dc.contributor.referee1Cruz Júnior, Gélson da
dc.contributor.referee2Pedrini, Hélio
dc.contributor.referee3Salvini, Rogério Lopes
dc.contributor.referee4Costa, Ronaldo Martins da
dc.contributor.referee5Lemos, Rodrigo Pinto
dc.creatorFerreira, William Divino
dc.creator.Latteshttp://lattes.cnpq.br/2715404239342693pt_BR
dc.date.accessioned2020-09-30T14:47:53Z
dc.date.available2020-09-30T14:47:53Z
dc.date.issued2020-06-30
dc.description.abstractNowadays, digital image transformation has become a widespread activity. Hence, image copying, cloning, and resizing are easily performed, making it challenging to check image integrity and authenticity. Moreover, a criminal investigation from digital images becomes extremely hard, because using those images as proof demands to ensure its legitimately,under a risk to implicate the whole legal process.In this sense, this work develops a model for forged images based on local texture descriptors with convolutional neural networks. Henceforth, in this work, firstly, we evaluated fourteen local texture descriptors in five public image texture datasets, and then we selected descriptors with the best efficacy. Second, the selected descriptors are applied to four public datasets to extract texture features from forged and legit images. Finally, those features are used to train a residual convolutional neural network, and then, classifying images as authentic or forged with a Support Vector Machine Classifier. A result of the proposed model provides enthusiasm, mainly when applied to a dataset with a small number of images.eng
dc.description.provenanceSubmitted by Liliane Ferreira (ljuvencia30@gmail.com) on 2020-09-30T14:22:55Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Tese - William Divino Ferreira - 2020.pdf: 30241672 bytes, checksum: 033739daff3eab700ea54e17717e1ef9 (MD5)en
dc.description.provenanceApproved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2020-09-30T14:47:53Z (GMT) No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Tese - William Divino Ferreira - 2020.pdf: 30241672 bytes, checksum: 033739daff3eab700ea54e17717e1ef9 (MD5)en
dc.description.provenanceMade available in DSpace on 2020-09-30T14:47:53Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Tese - William Divino Ferreira - 2020.pdf: 30241672 bytes, checksum: 033739daff3eab700ea54e17717e1ef9 (MD5) Previous issue date: 2020-06-30en
dc.description.resumoA manipulação de imagens digitais tem se tornado muito comum nos dias atuais. Assim, é possível copiar, clonar e redimensionar uma imagem muito facilmente, tornando-se desafiador validar a integridade e a autenticidade da mesma. Além disso, imagens digitais podem ser utilizadas por peritos criminais em suas análises forenses. Neste cenário, uma investigação criminal a partir de imagens digitais se torna algo extramente difícil, pois o uso destas imagens como prova requer garantias de sua legitimidade, sob pena de comprometer o processo legal como um todo. Diante deste contexto, este trabalho desenvolve um modelo de identificação de imagens falsificadas baseado em descritores locais de textura e em rede neural convolucional. Para isto, neste trabalho é realizada, inicialmente, uma avaliação de quatorze descritores locais de textura aplicados sobre cinco bases públicas de imagens de textura, e, então, são selecionados os descritores com melhor eficácia. Logo após, os descritores selecionados são aplicados em quatro bases públicas de identificação de imagens falsificadas para extração de características de textura. Estas características são, então, usadas no treinamento e teste de uma rede neural convolucional residual, com a classificação das imagens em autênticas ou falsificadas ocorrendo através do uso de um classificador de máquina de vetores de suporte. Os resultados obtidos pelo modelo proposto são motivadores, mesmo em bases com um número reduzido de imagens.pt_BR
dc.identifier.citationFERREIRA, William Divino. Detecção de imagens falsificadas baseada em descritores locais de textura e rede neural convolucional. 2020. 151 f. Tese (Doutorado em Engenharia Elétrica e da Computação) - Universidade Federal de Goiás, Goiânia, 2020.pt_BR
dc.identifier.urihttp://repositorio.bc.ufg.br/tede/handle/tede/10824
dc.languageporpt_BR
dc.publisherUniversidade Federal de Goiáspt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentEscola de Engenharia Elétrica, Mecânica e de Computação - EMC (RG)pt_BR
dc.publisher.initialsUFGpt_BR
dc.publisher.programPrograma de Pós-graduação em Engenharia Elétrica e da Computação (EMC)pt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectDescritores locais de texturapor
dc.subjectDetecção de imagens falsificadaspor
dc.subjectForense em imagens digitaispor
dc.subjectRedes neurais convolucionaispor
dc.subjectLocal texture descriptorseng
dc.subjectForged images detectioneng
dc.subjectDigital image forensicseng
dc.subjectConvolutional neural networkseng
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.titleDetecção de imagens falsificadas baseada em descritores locais de textura e rede neural convolucionalpt_BR
dc.title.alternativeDetection of forged images based on local texture descriptors and convolutional neural networkeng
dc.typeTesept_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
Tese - William Divino Ferreira - 2020.pdf
Tamanho:
28.84 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

Doutorado em Engenharia Elétrica e da Computação (EMC)