| Summary: | Copy-move manipulation is a forgery method used on images where a small part is copied to another part. This thesis analyses the detection of copy-move forgeries with the help of Convolutional Neural Networks (CNN). The model used is utilizing an existing custom CNN layer to identify features useful for detecting manipulations. The model is trained and validated on data with different grades of manipulation to determine which combinations give the highest accuracy. The grades are determined by the copy-move size, ranging between 10% and 60% of the image size. The results show that training on images with more minor modifications generally gives better results than training on images with more considerable modifications, regardless of whether validated on small or large modified images. Also, it can be concluded that the particular convolutional layer, in general, is suitable for copy-move detection. === En copy-move manipulation är en förfalskningsmetod för bilder som går ut på att kopiera en liten del av en bild till en annan del. Den här rapporten analyserar detekteringen av copy-move-förfalskningar med hjälp av Convolutional Neural Networks (CNN). Modellen som används utnyttjar ett redan existerande CNN-lager skapat för att identifiera egenskaper i bilden användbara för detektering av bildmanipulation. Modellen är både tränad och validerad på data med olika grader av manipulation för att bestämma vilka kombinationer som ger högst träffsäkerhet. Skalan bestäms av storleken på copy-move-operationerna, med ett spann mellan 10% och 60% av bilden. Resultatet visar att träning med bilder med små modifikationer i allmänhet ger bättre resultat än att träna på bilder med större modifikationer, oavsett om valideringen skett på bilder av låg eller hög manipuleringsgrad. Det kan även konstateras att det särskilda CNN-lagret är lämpligt för detektering av copy-move-operationer.
|
|---|
