Detecção de imagens falsificadas baseada em descritores locais de textura e rede neural convolucional
dc.contributor.advisor-co1 | Soares, Fabrizzio Alphonsus Alves de Melo Nunes | |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/7206645857721831 | pt_BR |
dc.contributor.advisor1 | Cruz Júnior, Gélson da | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/4370555454162131 | pt_BR |
dc.contributor.referee1 | Cruz Júnior, Gélson da | |
dc.contributor.referee2 | Pedrini, Hélio | |
dc.contributor.referee3 | Salvini, Rogério Lopes | |
dc.contributor.referee4 | Costa, Ronaldo Martins da | |
dc.contributor.referee5 | Lemos, Rodrigo Pinto | |
dc.creator | Ferreira, William Divino | |
dc.creator.Lattes | http://lattes.cnpq.br/2715404239342693 | pt_BR |
dc.date.accessioned | 2020-09-30T14:47:53Z | |
dc.date.available | 2020-09-30T14:47:53Z | |
dc.date.issued | 2020-06-30 | |
dc.description.abstract | Nowadays, 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.provenance | Submitted 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.provenance | Approved 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.provenance | Made 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: 2020-06-30 | en |
dc.description.resumo | A 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.citation | FERREIRA, 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.uri | http://repositorio.bc.ufg.br/tede/handle/tede/10824 | |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de Goiás | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | Escola de Engenharia Elétrica, Mecânica e de Computação - EMC (RG) | pt_BR |
dc.publisher.initials | UFG | pt_BR |
dc.publisher.program | Programa de Pós-graduação em Engenharia Elétrica e da Computação (EMC) | pt_BR |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Descritores locais de textura | por |
dc.subject | Detecção de imagens falsificadas | por |
dc.subject | Forense em imagens digitais | por |
dc.subject | Redes neurais convolucionais | por |
dc.subject | Local texture descriptors | eng |
dc.subject | Forged images detection | eng |
dc.subject | Digital image forensics | eng |
dc.subject | Convolutional neural networks | eng |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | pt_BR |
dc.title | Detecção de imagens falsificadas baseada em descritores locais de textura e rede neural convolucional | pt_BR |
dc.title.alternative | Detection of forged images based on local texture descriptors and convolutional neural network | eng |
dc.type | Tese | pt_BR |
Arquivos
Pacote Original
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- Tese - William Divino Ferreira - 2020.pdf
- Tamanho:
- 28.84 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: