Recursos/White Papers

Notícias

Machine Learning vai identificar imagens manipuladas

Projeto da Adobe, ainda em fase inicial, propõe o desenvolvimento de tecnologias que ajudem a verificar a autenticidade das mídias digitais

Cristina Deluca

Publicada em 26 de junho de 2018 às 07h46

Nos dias atuais, é cada vez mais difícil saber se uma foto ou imagem foi manipulada. Muito conhecida pelo seu software de edição de imagens, a Adobe desenvolve uma solução que usa Machine Learning (Aprendizado de Máquina) para justamente descobrir quais imagens e fotos foram manipuladas. 

“Com os avanços das técnicas de edição de imagens e nos softwares de edição amigáveis ao usuário, os processos de geração de imagens manipuladas ou adulteração de baixo custo tornaram-se amplamente disponíveis”, afirma a Adobe na introdução do estudo

Em um comunicado enviado ao The Verge, um porta-voz da Adobe afirmou que o projeto em questão ainda está em um “estágio inicial”. Segundo ele, no futuro a empresa quer ajudar “no desenvolvimento de tecnologias que ajudem a monitorar e verificar a autenticidade de mídias digitais”.

De forma mais específica, o novo relatório produzido pela Adobe sobre o assunto aponta que o Machine Learning pode ser usado para ajudar na identificação de alguns dos tipos mais comuns de manipulação de imagens.

A lista apontada pela Adobe no documento de 9 páginas inclui a combinação de duas partes de uma imagem (conhecida pelo termo “splicing”), o processo de copiar e colar objetos em uma imagem, e a remoção de um objeto.

identificaML

Segundo a Adobe, a detecção de manipulação de imagem é diferente da tradicional detecção de objeto semântico porque presta mais atenção na adulteração de artefatos do que no conteúdo de toda a imagem. O algoritmo é treinado para detectar as regiões adulteradas. Um dos dois fluxos é um fluxo RGB cuja finalidade é extrair recursos da entrada de imagem RGB para localizar artefatos de adulteração como forte diferença de contraste, não natural e assim por diante. O outro é um fluxo de ruído que aproveita os recursos de ruído extraídos de um steganalysis rich model filter layer para descobrir a inconsistência de ruído entre regiões autênticas e adulteradas. Na etapa seguinte, os dois fluxos são combinados, gerando a indicação da área manipulada. 



Reportagens mais lidas

Acesse a comunidade da CIO

LinkedIn
A partir da comunidade no LinkedIn, a CIO promove a troca de informações entre os líderes de TI. Acesse aqui