Etude comparative de l’apprentissage par transfert pour l’identification des caméras

De nos jours, l’édition d’images est devenue plus facile et plus précise. Les modifications malveillantes sont donc plus accessibles et des méthodes de

détection des falsifications ont été développées. L’identification de la caméra source est un domaine important de la criminalistique des images numériques et peut-être réalisée

selon la marque, le modèle ou l’appareil exact. Notamment, la classification de modèle de caméras est l’application la plus abordée et a d’abord été étudiée avec des

algorithmes classiques, puis avec des réseaux de neurones convolutifs (RNC). Cependant, malgré leur efficacité, les RNC sont dépendants des données et leurs performances diminuent avec le nombre d’objets à classer. Cet aspect est encore plus important avec les caméras puisque chaque appareil possède ses propres artefacts et que les caméras d’une même marque présentent des similarités au niveau de leurs empreintes numériques. Dès lors, un des objectifs de cet article réside dans l’étude de la robustesse des méthodes pour l’identification de caméras. Un domaine récent

de l’apprentissage automatique, appelé apprentissage par transfert, offre une alternative intéressante à ce problème. Afin d’étudier pleinement son impact, nous avons appliqué

différentes approches de l’apprentissage par transfert à trois architectures de RNC différentes, présentant chacune des particularités. Pour réaliser notre étude comparative, nous avons également proposé un protocole d’évaluation de la robustesse basé sur les deux principales sujet de recherche de l’état de l’art : les caméras inconnues et l’augmentation de caméras à classer.