Un système d'IA détecte les images vidéo manipulées avec une précision de 95 %

infohightech ·

Illustration graphique de l'étude. Crédit : The Journal of Engineering Research, SQU

Avec la diffusion rapide des contenus numériques, les vidéos truquées représentent un risque croissant pour les médias, la sécurité et le droit. Une nouvelle étude publiée dans le Journal of Engineering Research présente une méthode automatisée de détection des images interpolées : des images insérées artificiellement pour lisser les séquences vidéo manipulées et leur donner une apparence authentique.

Cette recherche propose un processus en trois phases combinant des techniques classiques de traitement d'images et l'apprentissage profond. Dans la première phase, les vidéos sont décomposées en images individuelles, redimensionnées à 256 × 256 pixels et filtrées pour réduire le bruit. La deuxième phase applique une interpolation bilinéaire pour générer des images synthétiques, permettant ainsi au système d'apprendre le comportement du contenu manipulé.

Dans la phase finale, un réseau neuronal convolutif (CNN) analyse chaque image, en extrayant automatiquement les caractéristiques visuelles et en classant les images comme originales ou manipulées. Contrairement aux méthodes traditionnelles, les CNN apprennent directement à partir des données de pixels, ce qui élimine le besoin de concevoir manuellement les caractéristiques.

Le système a atteint une précision de 95 % lors des tests effectués sur le jeu de données UCF101, largement utilisé et contenant plus de 13 000 clips vidéo répartis en 101 catégories. À titre de comparaison, un modèle de machine à vecteurs de support (SVM) testé dans les mêmes conditions n'a atteint que 70 % de précision, ce qui souligne la supériorité de l'apprentissage profond pour la détection de manipulations visuelles subtiles.

Les chercheurs notent que la méthode proposée permet non seulement de détecter les images manipulées , mais aussi de localiser précisément leur position dans un flux vidéo, ce qui renforce son intérêt pour l'analyse et la vérification numériques.

https://dx.doi.org/10.53540/1726-6742.1317

https://tjer.squ.edu.om/journal

Cet article vous a été utile ? Partagez-le.