[論文レビュー] Source Camera Identification Based On Content-Adaptive Fusion Network

Pengpeng Yang, Wei Zhao+2 more|arXiv (Cornell University)|Mar 15, 2017

Digital Media Forensic Detection参考文献 7被引用数 9

ひとこと要約

本稿では、前処理段階で学習可能な畳み込みフィルタを学習することにより、小サイズ画像におけるソースカメラ同定のためのコンテンツに適応する統合ネットワーク（CAF-CNN）を提案する。3×3、5×5、7×7の異なるカーネルサイズを有する3つのコンテンツに適応するCNNを並列に処理することで、より包括的な特徴を捉え、カメラブランド同定で平均94.17%、混合ソース同定で87%の精度を達成し、固定フィルタを用いたベースラインCNNを上回る性能を示した。

ABSTRACT

Source camera identification is still a hard task in forensics community, especially for the case of the small query image size. In this paper, we propose a solution to identify the source camera of the small-size images: content-adaptive fusion network. In order to learn better feature representation from the input data, content-adaptive convolutional neural networks(CA-CNN) are constructed. We add a convolutional layer in preprocessing stage. Moreover, with the purpose of capturing more comprehensive information, we parallel three CA-CNNs: CA3-CNN, CA5-CNN, CA7-CNN to get the content-adaptive fusion network. The difference of three CA-CNNs lies in the convolutional kernel size of pre-processing layer. The experimental results show that the proposed method is practicable and satisfactory.

研究の動機と目的

• 画像の内容が限られたりノイズが多かったりする小サイズ画像におけるソースカメラ同定の課題に対処する。
• 高域透過フィルタやラプラシアンフィルタなどの固定前処理フィルタが、有用なコンテンツ固有の特徴を無視する可能性があるという制限を克服する。
• 手動で設計されたフィルタの代わりに、学習段階でコンテンツに適応する畳み込みカーネルを学習することで、特徴表現を向上させる。
• 異なるカーネルサイズを有する複数のネットワークを並列に構築し、マルチスケール特徴を統合することで、検出性能を向上させる。
• カメラブランド、モデル、デバイス、および混合ソース同定といった多様な同定タスクにおいて、堅牢性を示す。

提案手法

• CNNの前処理段階に学習可能な畳み込み層を導入し、固定フィルタの代わりにエンドツーエンドで学習可能なコンテンツに適応するカーネルを採用する。
• 3×3、5×5、7×7の畳み込みカーネルをそれぞれ用いた3つの別個のコンテンツに適応するCNN（CA3-CNN、CA5-CNN、CA7-CNN）を構築する。
• 3つの並列ネットワークからの特徴マップを統合し、マルチスケールかつコンテンツに敏感な特徴を捉える1つのコンテンツに適応する統合ネットワーク（CAF-CNN）を構築する。
• 各畳み込みブロックの後にバッチ正規化、ReLU、平均プーリング層を配置し、最終的にグローバル平均プーリングとソフトマックス層を配置する標準的なCNNアーキテクチャを採用する。
• 確率的勾配降下法を用いて学習を行い、初期学習率を0.01として、500,000イテレーションにわたり毎10,000イテレーションごとに10%ずつ減少させる。
• 再訓練を再開せずに、下流タスク（例：モデルおよびデバイス同定）においてモデルをファインチューニングする。

実験結果

リサーチクエスチョン

• RQ1 前処理段階における学習可能でコンテンツに適応する畳み込みフィルタは、固定フィルタと比較してソースカメラ同定の精度を向上させるか？
• RQ2 異なるカーネルサイズを持つネットワークからのマルチスケール特徴を統合することで、小サイズ画像における検出性能が向上するか？
• RQ3 提案されたコンテンツに適応する統合ネットワークは、カメラブランド、モデル、デバイス、および混合ソースという異なる同定レベルでどのように性能を発揮するか？
• RQ4 本手法は、異なるカメラブランド、モデル、デバイスが混在する実世界のシナリオにおいて、さまざまな画像サイズを想定しても汎用性を示せるか？

主な発見

• 提案されたCAF-CNNは、カメラブランド同定で平均94.17%の検出精度を達成し、HP-CNN（81.62%）および個別のCA-CNNよりも顕著に優れた性能を示した。
• CA3-CNN、CA5-CNN、CA7-CNNは、それぞれ87.72%、90.11%、90.68%の精度を達成し、カーネルサイズの適応が特徴学習を向上させることを示した。
• カメラモデル同定では84.7%を超える精度を達成し、類似モデル間の区別に対しても有効であることを示した。
• 同じモデルだが異なるデバイスからの画像が困難に分類されるカメラデバイス同定では、平均70.19%の精度を達成した。
• 異なるブランド、モデル、デバイスが混在する混合データセットのシナリオにおいて、87%の検出精度を達成し、実用性と堅牢性を確認した。
• コンテンツに適応する統合アプローチは、固定前処理フィルタを用いたベースラインCNNを常に上回り、適応的でデータ駆動型のフィルタリングの価値を裏付けた。