Estudo comparativo entre arquiteturas de Deep Learning para detecção de falsificação em imagens
| dc.contributor.advisor | Carvalho, Tiago José de | |
| dc.contributor.author | Pomari, Thales Augusto Paletti | |
| dc.contributor.referee | Sovat, Ricardo Barz | |
| dc.contributor.referee | Padilha, Rafael Soares | |
| dc.date.accessioned | 2024-03-12T18:29:37Z | |
| dc.date.available | 2024-03-12T18:29:37Z | |
| dc.date.issued | 2019-05-17 | |
| dc.description.abstract | Com o grande crescimento no compartilhamento de imagens online, a quantidade de imagens de cunho duvidoso que circulam pelas redes é incalculável. Tendo isso em mente, é necessário algum meio que possa garantir a veracidade de uma foto. Existe uma série de métodos na literatura que são capazes de estimar a chance de uma imagem ser fruto de uma falsificação ou não. Movido por esta ideia central, este trabalho avalia o impacto em um método proposto para detecção das falsificações em imagens de cada rede neural convolucional que já foi o estado da arte. Esta análise foi feita por meio de testes em diferentes bases de dados públicas com variações dos seus espaços de cores, visando um possível melhor desempenho. Espera-se que ao final do trabalho seja possível analisar individualmente cada rede juntamente com um caso de uso adequado | |
| dc.description.abstract2 | With the great growth in online image sharing, the number of dubious images circulating across networks is incalculable. Having this in mind, some means are necessary to guarantee the veracity of a photo. There is a number of approaches in the literature that are capable of calculating whether an image is the result of falsification or not. Moved by this central idea, this work evaluates the impact of each convolutional neural network that has already been the state of art of object detection and recognition in a proposed method for the detection of falsification in images. This analysis will be carried out by means of tests in different public data bases, which will allow for a better performance. It is expected that at the end of the work it will be possible to analyze each network individually with an appropriate use case. | |
| dc.format.mimetype | application/pdf | |
| dc.identifier.uri | https://repositorio.ifsp.edu.br/handle/123456789/676 | |
| dc.publisher | Instituto Federal de Educação, Ciência e Tecnologia de São Paulo (IFSP) | |
| dc.publisher.campi | CAMPINAS | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 Brazil | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/br/ | |
| dc.subject.keywords | Máquina - aprendizado | |
| dc.subject.keywords | Classificação | |
| dc.subject.keywords | Falsificação | |
| dc.subject.keywords | Redes neurais convolucionais | |
| dc.subject.keywords | Aprendizado profundo | |
| dc.subject.keywords | Iluminação | |
| dc.title | Estudo comparativo entre arquiteturas de Deep Learning para detecção de falsificação em imagens | |
| dc.title.alternative | Comparative study between Deep Learning architectures for detection of forgery in images | |
| dc.type | Trabalhos de Conclusão de Curso de Graduação |