آشكارسازي فشرده‌سازي JPEG مضاعف با استفاده از شبكه‌هاي عصبي عميق در حوزه مكان

Double JPEG Compression Detection Using Spatial-Domain Deep Neural Networks

با افزايش علاقه‌مندي به فشرده نمودن تصاوير با فرمت فرمت گروه مشترك متخصصان عكاسي (JPEG)، يكي از مهم‌ترين مباحث در دست‌كاري تصاوير ديجيتال، يافتن روشي مناسب جهت آشكارسازي فشرده‌سازي JPEG مضاعف است. در اين مقاله با معرفي يك فيلتر تطبيقي آموزش‌ديده بر پايه خودرمزگذار پيچشي (CAE) و در حوزه مكان، به اين موضوع پرداخته مي‌شود تا با حذف اطلاعات تداخلي ناشي از محتواي تصوير، آشكارسازي دقيق‌تري داشته باشيم. از آنجايي كه شبكه عصبي پيچشي (CNN) توانسته عملكرد موفقي در طبقه‌بندي تصاوير داشته باشد، از اين شبكه‌ها در قسمت طبقه‌بندي استفاده مي‌شود. مدل پيشنهادي بر اساس CAE متوالي شده با CNN است كه توانسته دقت آشكارسازي و حساسيت به ضرايب كيفيت (QFs) قابل قبولي را در دو سناريوي هم‌تراز و ناهم‌تراز ارائه نمايد. اين مدل توانسته در برخي از حالت­ها، حساسيت نسبت به ضرايب كيفيت را تا 86 در صد در مقدار كاهش خطاي نسبي (RER) بهبود دهد. آزمايش‌هاي ديگري از جمله مكان‌يابي محل دست‌كاري بر روي مجموعه داده RAISE براي ارزيابي روش پيشنهادي انجام شده است. اين نتايج نشان‌دهنده عملكرد بسيار خوب اين روش نسبت به الگوريتم‌هاي مشابه در شرايطي است كه ضريب كيفيت فشرده‌سازي دوم بزرگ‌تر از ضريب كيفيت فشرده‌سازي اول باشد.

With the increasing interest in Joint Photographic Experts Group (JPEG) image compression, one of the most important issues in digital image manipulation is finding a proper method to detect double JPEG compression. This paper introduces a trained adaptive filter based on spatial-domain convolutional autoencoder (CAE). This filter can remove interference information caused by image content to have a more accurate detection. The convolutional neural network (CNN) has been widely employed for accurate image classification; therefore, a CNN is used in the classification part of the proposed algorithm. The proposed model is based on consecutive CAE with CNN, which is able to provide acceptable detection accuracy and sensitivity to quality factors (QFs) in two scenarios, i.e. aligned and non-aligned forgeries. This model improves the sensitivity to quality factors by up to 86% in the relative error reduction (RER) rate in some cases. Other experiments such as manipulation localization on the RAISE dataset have been performed to evaluate the proposed method. These results show the superior performance of this method compared to similar algorithms in the situations that the quality factor of the second compression is greater the quality factor of the first compression.