Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Improving Performance and Energy Efficiency for OFDMA Systems Using Adaptive Antennas and CoMP Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Content Recapture Detection Based on Convolutional Neural Networks

verfasst von : Hak-Yeol Choi, Han-Ul Jang, Jeongho Son, Dongkyu Kim, Heung-Kyu Lee

Erschienen in: Information Science and Applications 2017

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Detecting recaptured images has been considered as an important issue. The previous techniques tried to make hand-crafted features represent the statistical characteristics of the recaptured images. Different to the existing methods, the proposed method solves the recapturing detection problem based on a deep learning technique which shows high performance for various applications in recent image processing. Specifically, we propose a recaptured image classification scheme based on a convolutional neural networks (CNNs). To our best knowledge, this is the first work of applying CNNs into the recaptured image detection. For reliable performance evaltuation, we used high-quality database for training and testing. The experimental results show high performance compared to the state-of-the-art methods.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Fingerprint Spoof Detection Using Contrast Enhancement and Convolutional Neural Networks
Nächstes Kapitel Secret Sharing Deniable Encryption Technique
Literatur
1.
Cao, H., Kot, A.C.: Identification of recaptured photographs on LCD screens. In: IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 1790–1793 (2010)
2.
LeCun, Y., Bottou, L., Bengio, Y., Haffner, P.: Gradient-based learning applied to document recognition. Proc. IEEE 86, 2278–2323 (1998)CrossRef
3.
Salakhutdinov, R., Hinton, G.: Deep boltzmann machines. In: International Conference on Artificial Intelligence and Statistics (AISTATS), vol. 1, pp. 448–455 (2009)
4.
Larochelle, H., Bengio, Y., Louradour, J., Lamblin, P.: Exploring strategies for training deep neural networks. J. Mach. Learn. Res. 1, 1–40 (2009)MATH
5.
Farid, H., Lyu, S.: Higher-order wavelet statistics and their application to digital forensics. In: IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, vol. 8, pp. 1–8 (2003)
6.
Bai, J., Ng, T.T., Gao, X., Shi, Y.Q.: Is physics-based liveness detection truly possible with a single image? In: 2010 IEEE International Symposium on Circuits and Systems: Nano-Bio Circuit Fabrics and Systems (ISCAS), pp. 3425–3428 (2010)
7.
Gao, X.T., Ng, T.T., Qiu, B., Chang, S.F.: Single-view recaptured image detection based on physics-based features. In: 2010 IEEE International Conference on Multimedia and Expo (ICME), pp. 1469–1474 (2010)
8.
Mahdian, B., Novozamsky, A., Saic, S.: Identification of aliasing-based patterns in re-captured LCD screens. In: 2015 IEEE International Conference on Image Processing (ICIP), pp. 616–620 (2015)
9.
Thongkamwitoon, T., Muammar, H., Dragotti, P.L.: An image recapture detection algorithm based on learning dictionaries of edge profiles. IEEE Trans. Inf. Forensics Secur. 10, 953–968 (2015)CrossRef
10.
Liu, Y., Yao, X.: Evolutionary design of artificial neural networks with different nodes. In: Proceedings of IEEE International Conference on Evolutionary Computation, pp. 913–917 (1996)
11.
Scherer, D., Müller, A., Behnke, S.: Evaluation of pooling operations in convolutional architectures for object recognition. In: Diamantaras, K., Duch, W., Iliadis, L.S. (eds.) ICANN 2010. LNCS, vol. 6354, pp. 92–101. Springer, Heidelberg (2010). doi:10.​1007/​978-3-642-15825-4_​10 CrossRef
12.
Simonyan, K., Zisserman, A.: Very deep convolutional networks for large-scale image recognition. In: International Conference on Learning Representations, pp. 1–14 (2015)
13.
Hinton, G.E., Srivastava, N., Krizhevsky, A., Sutskever, I., Salakhutdinov, R.R.: Improving neural networks by preventing co-adaptation of feature detectors, pp. 1–18 (2012). arXiv:​1207.​0580
14.
Jia, Y., Shelhamer, E., Donahue, J., Karayev, S., Long, J., Girshick, R., Guadarrama, S., Darrell, T.: Caffe: Convolutional architecture for fast feature embedding. In: Proceedings of the ACM International Conference on Multimedia (ACMMM), pp. 675–678 (2014)
Metadaten
Titel
Content Recapture Detection Based on Convolutional Neural Networks
verfasst von
Hak-Yeol Choi
Han-Ul Jang
Jeongho Son
Dongkyu Kim
Heung-Kyu Lee
Copyright-Jahr
2017
Verlag
Springer Singapore
Buch
Information Science and Applications 2017

Print ISBN: 978-981-10-4153-2

Electronic ISBN: 978-981-10-4154-9

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-981-10-4154-9_40

Neuer Inhalt

    Bildnachweise