Domain Adaptation for Digital Forensics
Adaptation de domaine pour l'analyse forensique d'images
Résumé
This article studies a domain adaptation strategy applied to digital forensics on images. In order to perform a forensic analysis, the operator is using a labelled source base enabling to train a model. Within an operational framework, we usually work on an unlabeled target base coming from a different distribution compared to the source, hence damaging the model performances. In that situation we want to be able to generalize the learning of a forensics model we can get from a source, to a target. To reach that goal, it is common to search for a space where these two distributions look similar. By taking advantage of this new data representation, we can start a knowledge transfer from the source to the target. For instance, this search of an invariant feature space can be done using a backpropagation mechanism on an well-chosen adaptation loss, representing a distance between the two projected distributions. Attracted by the simplicity of this strategy, we decided to test it on a forensics detector searching for visual manipulations in images trained for a realistic scenario.
Ce papier étudie une stratégie d'adaptation de domaine non-supervisée appliquée à l'analyse forensique d'images. Pour réaliser l'analyse forensique, l'opérateur dispose d'une base source de données étiquetées permettant l'entraînement d'un modèle. Dans un contexte opérationnel, il est commun de devoir travailler sur une base cible de données non-étiquetées, provenant d'une distribution différente de celle de la source, ce qui dégrade les performances du modèle. Nous souhaitons donc généraliser l'apprentissage d'un modèle forensique réalisé sur une base source à une base cible. Pour atteindre cet objectif, il est courant de rechercher un espace où ces deux distributions sont similaires. En se basant sur cette nouvelle représentation des données, on peut alors initier un transfert d'apprentissage depuis la source vers la cible. Cette recherche d'espace invariant peut se faire via une rétro-propagation du gradient sur un coût d'adaptation bien choisie, représentant une distance entre les deux distributions projetées. Attirés par la simplicité de cette stratégie, nous avons décidé de la tester sur un détecteur de manipulations visuelles entraîné pour une situation réaliste.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|