WWWFeb, 2023

基于神经增强相机指纹的网络照片来源识别

PDF
TL;DR本文提出了一个使用神经网络增强的传感器噪声以高效追踪 Web 照片的创新性实用源识别框架，通过度量学习和频率一致性优化深度网络设计从而实现了可靠的源标识。
smartphone photographyweb photossource camera identificationneural-networksecurity
发现论文，激发创造
  • 数字视频中基于盲取证的源相机识别和检测

    通过特征提取、特征选择和后续的源分类，本文提出了一种基于机器学习的视频源鉴定与识别的盲目取证技术，旨在确定视频的声明源是否为其原始源，否则识别其原始源，并与传统的基于指纹的技术相比证明了所提方法的效率。

    Sep, 2023

  • 卷积神经网络实现相机模型识别

    本论文介绍了关于 10 台不同相机型号识别的深度学习方法，使用了数据增强技术，最终在 Kaggle 的相机型号识别挑战中获得了 98% 的准确率，并进行了有关数据集的一系列实验。

    Oct, 2018

  • SPN-CNN：运用深度学习提升基于传感器的源摄像机溯源能力

    本文旨在通过数据驱动框架探索提高基于传感器噪声的源相机识别的方法，并聚焦于单张图像的传感器噪声提取的改进，试图利用深度学习方法提高提取器的效率以提高源归属问题的准确度，实验证明本方法在各类公开数据库上都有较好的应用前景，包括图像篡改定位和视频源归属问题，同时，本文对潜在的问题进行了批判性的讨论。

    Feb, 2020

  • 基于卷积神经网络的相机模型识别的初步探索

    本文研究了一种基于卷积神经网络的数据驱动算法来解决相机型号识别问题，结果表明，所提出的方法在 64x64 的彩色图像块分类上优于最新的算法，而且所学到的特征具有很好的泛化性能。

    Mar, 2016

  • 基于图像和元数据的相机系统实时噪声源估计

    自主机器必须自我维持适当功能以确保人类和自身的安全，本研究主要研究了一个实时、内存高效和可靠的噪声源估计器，结合了数据和物理模型，用于检测相机的噪声源，通过分析相机元数据和图像来量化噪声的贡献。

    Apr, 2024

  • DenseNet 在相机型号识别和后处理检测中的应用

    本篇文章提出了一种基于 DenseNet 的图像相机模型识别模型，通过使用数据增强等方法，将提取的图像 patch 作为输入，对图像进行预处理，并将其送入 DenseNet-201 神经网络进行训练和分类，本方法在缺少 metadata 和图像后处理情况下也能实现较高的识别准确率，并适用于其他图像取证任务。

    Sep, 2018

  • 移动设备传感器指纹识别

    通过分析手机传感器获得硬件指纹，尤其是通过加速度计校准误差，可在移动设备连接到网站时实现去匿名化，同时作为较为安全的身份认证手段，并且此种方法能够提供足够的信息熵，以低概率避免与其他设备的冲突。

    Aug, 2014

  • 鲁棒指纹细节提取器：深度网络和指纹领域知识的集成

    提出了一种名为 MinutiaeNet 的全自动细节提取器，基于深度神经网络，采用紧凑特征表示，用于快速比较细节集。使用指纹领域知识和深度网络的结合，改善了细节检测的准确性，实验结果表明，MinutiaeNet 对 NIST SD27 和 FVC 2004 数据集上的细节集进行了更高精度和召回率的检测。该方法将有助于培训基于网络的指纹匹配算法，以及在大规模测量指纹个性时进行指纹分析。

    Dec, 2017

  • 基于卷积神经网络的摄像机模型指纹技术

    本文提出了一种提取噪音指纹的相机模型指纹方法，用于图像取证，该方法通过 Siamese 网络来提取图片序列的差异进行相机指纹的提取，实验结果表明，该方法在图像取证方面表现出色。

    Aug, 2018

  • 神经成像流水线的内容认证：在复杂分发渠道中端到端优化照片来源

    本研究探讨采用神经成像管道 end-to-end 优化整个图像采集和处理流程，以便提供可靠的取证分析。本研究的实验表明，所提出的方法将图像操纵检测准确率从 45% 提高到了超过 90％，这为进一步研究构建具有显式取证保证属性的更可靠的成像管道提供了鼓励。

    Dec, 2018