[논문 리뷰] Detection of Tool based Edited Images from Error Level Analysis and Convolutional Neural Network

Abhishek Gupta, Raunak Joshi외 1명|arXiv (Cornell University)|2022. 04. 19.

Digital Media Forensic Detection인용 수 6

한 줄 요약

이 논문은 Photoshop과 같은 일반적인 편집 도구로 조작된 이미지를 탐지하기 위해 오차 수준 분석(ELA)과 컨volution 신경망(CNN)을 조합한 하이브리드 접근법을 제안한다. CASIA ITDE v2 데이터셋의 이미지를 전처리하기 위해 ELA를 적용함으로써 압축 아티팩트의 가시성을 향상시키고, 이를 기반으로 CNN이 위조 여부를 분류하여 100 에포크 후 훈련 정확도 96.13%, 검증 정확도 92.20%를 달성한다.

ABSTRACT

Image Forgery is a problem of image forensics and its detection can be leveraged using Deep Learning. In this paper we present an approach for identification of authentic and tampered images done using image editing tools with Error Level Analysis and Convolutional Neural Network. The process is performed on CASIA ITDE v2 dataset and trained for 50 and 100 epochs respectively. The respective accuracies of the training and validation sets are represented using graphs.

연구 동기 및 목표

• Photoshop와 같은 일반적인 편집 도구로 생성된 이미지 위조 탐지의 증가하는 과제를 해결하기 위해.
• 압축 불일치를 드러내기 위해 오차 수준 분석(ELA)을 전처리 단계로 활용하여 이미지 프로파일링 기술을 향상시키기 위해.
• 정확도가 높은 성능을 보이는 딥 러닝 기반 분류기 개발을 위해.
• 다양한 훈련 에포크 수에서 CASIA ITDE v2 데이터셋에 대해 자체 설계한 CNN 아키텍처의 성능 평가를 위해.
• 접근 가능한 전처리 기법과 딥 러닝 기술을 활용해 실생활 이미지 위조 탐지에 효과적이고 경량의 솔루션을 제공하기 위해.

제안 방법

• 모든 이미지에 대해 CASIA ITDE v2 데이터셋에 오차 수준 분석(ELA)을 적용하여 압축 아티팩트를 강조함으로써 위조의 흔적을 더 명확히 드러내기 위해.
• 이미지 품질 90%로 ELA를 적용하여 압축 수준이 다른 영역을 강조하는 변환된 이미지를 생성함.
• 두 개의 2D 컨volution 레이어(5x5 크기의 필터 32개), ReLU 활성화 함수, 차원 감소를 위한 맥스 풀링을 포함한 커스텀 2D 컨volution 신경망(CNN)을 설계함.
• 과적합 방지를 위해 두 개의 드롭아웃 레이어(25% 및 50% 드롭아웃 비율)를 포함하여 일반화 능력을 향상시킴.
• 최종 특징을 평탄화하고, 256개의 뉴런을 가진 ReLU 활성화 함수를 적용한 밀집 레이어를 거쳐, 이중 분류를 위한 소프트맥스 출력 레이어로 전달함.
• 모델은 이진 교차 엔트로피 손실과 Adam 옵timizer를 사용하며, 성능 및 수렴도 평가를 위해 50 및 100 에포크 동안 훈련함.

실험 결과

연구 질문

• RQ1 일반적인 편집 도구로 인한 이미지 위조의 시각적 증상을 오차 수준 분석(ELA)이 효과적으로 강조할 수 있는가?
• RQ2 ELA 전처리와 CNN의 조합이 직접 이미지 분류와 비교해 탐지 정확도를 얼마나 향상시키는가?
• RQ3 훈련 기간(50 vs. 100 에포크)이 도구 기반 이미지 위조 탐지에서 모델 정확도와 일반화 능력에 어떤 영향을 미치는가?
• RQ4 제안된 방법이 CASIA ITDE v2 데이터셋의 미사용 이미지에 대해 얼마나 잘 일반화되는가?
• RQ5 드롭아웃 및 배치 정규화 유사 정규화 기법의 사용이 미세한 이미지 조작을 탐지하는 데 모델의 강건성에 어떤 영향을 미치는가?

주요 결과

• 100 에포크 훈련 후 모델은 훈련 정확도 96.13%와 검증 정확도 92.20%를 달성하였다.
• 100 에포크 후 훈련 손실은 10.27%로 감소했지만, 검증 손실은 20.50%로 상승하여 드롭아웃에도 불구하고 약간의 과적합이 발생한 것으로 나타났다.
• 50 에포크 시 모델은 훈련 정확도 94.33%와 검증 정확도 92.56%에 도달하여 초기 수렴이 빠르게 이루어진 것으로 나타났다.
• 손실 곡선 분석 결과, 50 에포크 이후 모델이 과적합되기 시작한 것으로 보이며, 훈련을 100 에포크까지 연장함에 따라 검증 손실이 19.63%에서 20.50%로 증가하였다.
• ELA 전처리의 사용이 압축 불일치를 강조함으로써 모델이 진위 이미지 간의 구분 능력을 크게 향상시켰다.
• ELA와 CNN의 조합은 기존 기준 모델 대비 명확한 위조 시각 서명을 제공하여 네트워크가 효과적으로 학습할 수 있도록 하여 성능을 뛰어나게 하였다.