您好、欢迎来到现金彩票网!
当前位置:红彩会 > 分类器 >

人工智能深度学习使用GAN和一类分类器的卫星图像伪造检测和定位

发布时间:2019-05-14 01:43 来源:未知 编辑:admin

  特约点评:本文属于无监督的篡改检测范围,有很好的指导意义。来自网友大鹏的推荐!【欢迎大家给我们投稿,评论和关注,有大量机器学习,深度学习,人工智能等视频教程不定期送上!])工智能深度学习使用GAN和一类分类器的卫星图像伪造检测和定位摘要:当前的卫星成像技术能够拍摄高分辨率的地面图像。像任何其他类型的数字图像一样,头顶图片也可以很容易伪造。然而,常见的图像取证技术通常是针对消费者相机图像开发的,这些图像的性质与卫星图像的性质(例如,压缩方案,后处理,传感器等)明显不同。因此,如果盲目应用于开销图像分析,许多精确的最先进的取证算法必然会失败。开发卫星图像新型取证工具对评估其真实性和完整性至关重要。在本文中,我们提出了一种卫星图像伪造检测和定位算法。具体来说,我们考虑将卫星图像区域内的像素替换为从场景中添加或移除物体的场景。我们的算法在没有伪造图像可用于训练的假设下工作。使用生成对抗网络(GAN),我们学习了原始卫星图像的特征表示。对这些特征进行一类支持向量机(SVM)的训练以确定它们的分布。最后,图像伪造被检测为异常。该算法针对不同大小和形状伪造的不同卫星图像进行验证。

  人工智能深度学习使用GAN和一类分类器的卫星图像伪造检测和定位介绍:自互联网诞生以来,图像的可访问性就越来越容易加班。互联网已经成为发布自己的形象的一个可以理解和有效的平台。用户友好的软件,如Photoshop和Gimp可用于生成各种图像处理,如修补,复制,拼接等。上述两种情景的组合是生成篡改图像的理想环境,当诡异地使用会造成实质性损害。因此,开发取证方法来验证图像的完整性至关重要。出于这个原因,多年来,法医界已经开发了多种图像真实性检测和完整性评估技术[1,2,3]。除了用照相机和智能手机拍摄的照片外,其他类型的图像也开始流传,给法医界带来了新的问题。的确,目前的卫星成像技术能够拍摄高分辨率的地面照片。由于配备有成像传感器的卫星越来越多,空中图像越来越受欢迎。现在可以通过公共网站[4]轻松收集地面的高空图像并购买自定义图像一组特定的位置和时间。像任何其他类型的数字图像一样,头顶图片也可以很容易伪造。需要解决的一个问题是这些图像是否真实。已经报道了恶意开销图像处理的案例[5],[6]。被认为是对这种类型图像进行分析的法医方法的发展被认为是紧迫的。

  然而,常见的图像取证技术通常用于消费类照相机,它们的性质与卫星传感器(例如压缩方案,后处理,传感器等)有很大不同。因此,如果盲目应用于头部图像分析,许多精确的现代艺术取证算法必然会失败。开发卫星图像新型取证工具对评估其真实性和完整性至关重要。

  为了弥补卫星图像临时取证技术的不足,[7]的作者提出了一种基于水印嵌入的主动方法。然后可以利用水印来检测可能的篡改图像区域。不幸的是,这种方法只能在图像开始时插入水印的情况下才能使用。最近,[8]的作者提出了一种用于俯视图像分析的被动取证方法。该算法基于机器学习技术,但它只能定位已经修补过的图像区域。据我们所知,文献中没有提出针对其他类型卫星图像伪造的具体算法。

  在本文中,我们提出了一种卫星图像伪造检测和定位算法。具体而言,我们考虑将卫星图像的区域内的像素替换为从场景添加或移除物体的情况。我们的算法在没有伪造图像可用于训练的假设下工作。使用生成对抗网络(GAN),我们学习了原始卫星图像的特征表示。对这些特征训练一类支持向量机(SVM)以确定它们的分布。最后,图像伪造被检测为异常。为了验证所提出的方法,我们使用不同的伪造尺寸建立了伪造卫星图像的自定义数据集。 介绍了伪造检测和定位的结果。 此外,由于所提出的算法通过分析图像的方式进行工作,因此可以对其进行强烈的并行处理,以将处理时间保持在原位。

  人工智能深度学习使用GAN和一类分类器的卫星图像伪造检测和定位思路:在本节中,我们将描述整个论文中使用的问题描述和注释。接下来,我们提供一些关于自编码器和卷积神经网络的背景概念。问题的制定,考虑我来自卫星的图像。我们可以将与图像I相关的像素完整性表示为与像素中图像大小相同的二进制掩码M. M的每个条目都是二进制标签0或1,这样属于伪造区域的像素被分配标签0,而来自未被篡改区域的像素被分配为1.作为伪造品,在本文中,通过不同来源的复制粘贴操作来分割/删除。这意味着伪造的像素不属于卫星图像,而是来自不同的设备(例如,用普通相机拍摄的平面图像)。图1显示了原始卫星图像和完全白色(即标签)的例子面具,以及伪造的图像,其中各自的黑色和白色面具定位伪造品。在这种设置下,我们的目标是双重的:篡改检测:给出图像,检测它是原始还是伪造的。篡改本地化:给定一个伪造的图像,检测哪些是伪造的像素。

  在本节中,我们将详细介绍我们在卫星图像中检测对象插入/删除攻击的方法的细节。具体来说,我们的方法的流水线中被报道,并且它由以下步骤组成:被分析的彩色图像被分成尺寸为64×64像素的补丁(重叠或不重叠)。受过对抗训练的自动编码器将这些色块编码为称为特征向量h的低维表示。用h喂一个类的SVM来检测伪造的补丁作为从原始补丁获得的特征分布的异常。一旦所有补丁被分类,整个图像的标签掩码通过将所有补丁标签分组在一起而获得。

  提出的解决方案背后的基本原理是自动编码器能够捕获输入数据的简化维度表示,仍然保留重要的特征信息,如[27,28]中所示,用于取证目的。因此,通过仅在原始数据上训练自动编码器,我们期望它学习提取特定于原始卫星图像的特征。相反,当对伪造数据进行测试时,提取的特征应该与从原始图像中获得的特征明显不同。然后可以使用仅用原始特征训练的单类SVM来区分来自原始和伪造图像的特征。接下来,我们将对拟建管道的每个步骤进行详细的解释。

  人工智能深度学习使用GAN和一类分类器的卫星图像伪造检测和定位结论:在本文中,我们提出了卫星图像伪造检测和定位的解决方案。提出的方法背后的基本原理是,可以训练自动编码器以获得来自原始卫星图像的图像块的紧凑表示。这个自动编码器不能用作图像补丁的特征提取器。在测试过程中,使用一类SVM检测特征向量是否来自原始图像,从而表示伪造。

  本文提出的解决方案利用生成对抗网络来训练伪造检测任务的自动编码器。此外,值得注意的是,整个系统只能通过原始数据进行培训。这意味着假设没有关于伪造的事先知识是可用的。在不同伪造尺寸的复制粘贴攻击图像上进行的测试在检测和本地化方面显示出有前途的准确性。未来的工作将致力于研究不同种类伪造的系统健壮性。

http://m3-ctech.com/fenleiqi/282.html
锟斤拷锟斤拷锟斤拷QQ微锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷微锟斤拷
关于我们|联系我们|版权声明|网站地图|
Copyright © 2002-2019 现金彩票 版权所有