Skip to content

Torak28/Image-manipulation-detection

Repository files navigation

Karta Temtu Pracy Magisterskiej:

gif

Temat pracy:

  • (j. polski) Detekcja manipulacji zawartości zdjęć przy pomocy metod uczenia głębokiego
  • (j. angielski) Image manipulation detection using deep learning techniques

Cel i zakres pracy:

Wraz z postępem technologicznym i dostępem do coraz bardziej zaawansowanych narzędzi do edycji obrazu, dokonywanie zmian na zdjęciach stało się bardzo proste. Rozpoznawanie jednak czy dane zdjęcie było manipulowane czy nie, jest ciągle zadaniem trudnym.

Celem pracy jest zaproponowanie autorskiego rozwiązania do detekcji manipulacji zdjęć w postaci modelu sieci głębokiej. W ramach pracy nad tym zagadnieniem zostanie również przy- gotowany model maszyny wektorów nośnych, oraz model sieci głębokiej, opartej o rozwiązanie transferu wiedzy, tak by porównać efektywność zaproponowanych rozwiązań. Wyniki działań klasyfikatorów będą przetestowane na dwóch różnych zbiorach danych.

Aspekt badawczy:

  • Selekcja odpowiednich metod ewaluacji,
  • Analiza istniejących metod w obrębie dziedziny,
  • Autorska metoda wykorzystania uczenia głębokiego w detekcji falsyfikacji zdjęć,
  • Projekt eksperymentów,
  • Interpretacja uzyskanych wyników.

Aspekt inżynierski:

  • Implementacja środowiska ramowego wykorzystującego istniejące architektury sieci,
  • Implementacja autorskiej metody wykorzystania uczenia głębokiego w zadaniu klasyfikacji.

Zadania do wykonania:

  • Sformułowanie zadania,
  • Analiza istniejących metod w obrębie dziedziny,
  • Wybór metody ewaluacji badań,
  • Selekcja danych testowych,
  • Selekcja algorytmów wykorzystywanych w testach,
  • Implementacja środowiska ramowego wykorzystującego istniejące architektury sieci,
  • Autorska metoda wykorzystania uczenia głębokiego w detekcji falsyfikacji zdjęć,
  • Przeprowadzenie ewaluacji eksperymentalnej wprowadzonych metod,
  • Redakcja pracy.

Literatura:

  1. H. Farid. (2016). Photo Forensics. link
  2. A. Swaminathan, M. Wu, K. J. Ray Liu. (2008). Digital Image Forensics via Intrinsic Fingerprints. link
  3. M. Goljan, J. Fridrich. (2015). CFA-aware Features for Steganalysis of Color Images. link
  4. D. Cozzolino, G. Poggi, L. Verdoliva. (2015). Splicebuster: a new blind image splicing detector. link
  5. N. Krawetz. (2007). A picture’s worth... link
  6. Q. Liu. (2011). Detection of misaligned cropping and recompression with the same quantization matrix and relevant forgery. link
  7. J. H. Bappy, A. K. Roy-Chowdhury, J. Bunk, L. Nataraj, B.S. Manjunath. (2017). Exploiting Spatial Structure for Localizing Manipulated Image Regions. link
  8. Y. Zhang, J. Goh, L. Win, V. Thing. (2016). Image Region Forgery Detection: A Deep Learning Approach. link

Zbiory Danych:

  • S. Heller, L. Rossetto, H. Schuldt. (2018). The PS-Battles Dataset - an Image Collection for Imagge Manipulation Detection. link
  • J. Dong, W. Wang, T. Tan. (2013). Casia image tampering detection evaluation database. link

xd