基于深度学习的图像年龄估计的设备(不)依赖性
图像与视频处理
2024-04-19 v1 计算机视觉与模式识别
摘要
时序图像 forensics 的目标是相对于来自相同设备的图像来近似估计图像的年龄。通常，这基于图像采集管道中留下的痕迹。例如，已存在若干方法利用场内传感器缺陷的存在来实现此目的。除了这些'经典'方法之外，也有一种方法是训练一个卷积神经网络(CNN)来近似估计图像年龄。CNN的一个优势是它独立学习用于年龄估计的特征。这使得可能性被放大，以利用其他(不同的)年龄痕迹，除了已知的那些(即场内传感器缺陷)。在先前的工作中，我们已显示场内传感器缺陷的强度对CNN预测年龄类别并不重要。基于此观察，问题随之而来：所学特征是否依赖于设备(不)?在本工作中，我们通过在单一设备上训练网络，然后将训练好的模型应用于不同设备上的图像来经验性地评估这一问题。该评估在14个不同设备上进行，包括来自公开可用'北umberland时序图像 forensics'数据库的10个设备。这些10个不同设备基于5个不同的设备对(即具有相同相机型号的设备)。
关键词
引用
@article{arxiv.2404.11974,
title = {Device (In)Dependence of Deep Learning-based Image Age Approximation},
author = {Robert Jöchl and Andreas Uhl},
journal= {arXiv preprint arXiv:2404.11974},
year = {2024}
}
备注
This work was accepted and presented in: 2022 ICPR-Workshop on Artificial Intelligence for Multimedia Forensics and Disinformation Detection. Montreal, Quebec, Canada. However, due to a technical issue on the publishing companies' side, the work does not appear in the workshop proceedings