[论文解读] DeepImageSpam: Deep Learning based Image Spam Detection

Amara Dinesh Kumar, R. Vinayakumar+1 more|arXiv (Cornell University)|Oct 3, 2018

Digital Media Forensic Detection参考文献 4被引用 26

一句话总结

本文提出一种基于卷积神经网络（CNNs）的深度学习方法用于图像垃圾信息检测，能够从原始图像中自动学习特征，无需人工特征工程。在包含810张正常图像和928张垃圾图像的数据集上进行训练，该模型实现了91.7%的准确率，优于传统图像处理和机器学习方法。

ABSTRACT

Hackers and spammers are employing innovative and novel techniques to deceive novice and even knowledgeable internet users. Image spam is one of such technique where the spammer varies and changes some portion of the image such that it is indistinguishable from the original image fooling the users. This paper proposes a deep learning based approach for image spam detection using the convolutional neural networks which uses a dataset with 810 natural images and 928 spam images for classification achieving an accuracy of 91.7% outperforming the existing image processing and machine learning techniques

研究动机与目标

• 为应对传统基于文本的垃圾信息过滤器难以识别的图像垃圾信息威胁，即通过将文本嵌入图像中来规避检测。
• 克服传统图像处理技术（如OCR和色彩直方图）在文本混淆情况下的局限性。
• 通过利用深度学习实现端到端的特征学习，减少对人工特征提取的依赖。
• 在准确率方面超越现有机器学习模型（如SVM和逻辑回归）的性能。
• 通过真实世界数据集，证明卷积神经网络在高精度和高召回率下对图像垃圾信息分类的有效性。

提出的方法

• 设计了一种自定义的CNN架构，包含多个卷积层和最大池化层，用于从RGB图像中提取分层的空间特征。
• 将输入图像调整为56×56像素，并在输入网络前进行归一化，以确保输入尺寸的一致性。
• 在每个卷积层后应用ReLU激活函数，以引入非线性并提升模型的学习能力。
• 在池化层和全连接层后使用丢弃率为0.25的Dropout层，以防止过拟合并提升泛化能力。
• 最后一层使用Sigmoid激活函数进行二分类（垃圾或非垃圾），损失函数采用二元交叉熵，优化器使用Adam。
• 使用Keras、scikit-learn和TensorFlow在分布式计算集群上，以32的批量大小训练1,000个周期。

实验结果

研究问题

• RQ1 像CNN这样的深度学习模型是否能在检测经过混淆处理的图像垃圾信息方面优于传统图像处理技术（如OCR和色彩直方图）？
• RQ2 端到端的深度学习在多大程度上可以消除图像垃圾信息检测中对人工特征工程的依赖？
• RQ3 与SVM等经典机器学习模型相比，基于CNN的方法在准确率、精确率和召回率方面的表现如何？
• RQ4 当文本通过字体、颜色和背景变化等方式被混淆时，CNN是否仍能有效分类图像垃圾信息？
• RQ5 如Dropout和批量归一化等网络结构组件对图像垃圾信息检测中模型泛化能力有何影响？

主要发现

• 所提出的基于CNN的模型在测试集上达到了91.7%的准确率，显著优于传统图像处理和机器学习技术。
• 模型表现出1.000的完美精确率，表明在测试集中没有误报，即所有预测为垃圾的图像均被正确分类。
• 召回率为85.7%，表明模型成功识别了85.7%的实际垃圾图像，显示出较强的检测能力，尽管存在部分漏检情况。
• F1得分达到0.923，反映了精确率与召回率的平衡调和均值，证实了整体性能的稳健性。
• 模型能够从未经处理的图像中有效学习判别性特征，无需人工特征提取，从而减少了人为工作量和错误。
• Dropout（0.25）和批量归一化的使用有助于提升模型泛化能力并减少训练过程中的过拟合。