Vous êtes ici : GIPSA-lab > Formation > Thèses soutenues
CASTILLO CAMACHO Ivan

Initialization Methods of Convolutional Neural Networks for Detection of Image Manipulations

 

Directeur de thèse :     Kai WANG

École doctorale : Electronique, electrotechnique, automatique, traitement du signal (EEATS)

Spécialité : Signal, image, parole, télécoms

Structure de rattachement : CNRS

Établissement d'origine : Instituto Politecnico Nacional - Mexique

Financement(s) : bourse attribuée par un gouvernement étranger ; contrat à durée déterminée

 

Date d'entrée en thèse : 16/10/2017

Date de soutenance : 06/05/2021

 

Composition du jury :

Francisco GARCIA UGALDE, Professeur, Universidad Nacional Autónoma de México, Rapporteur
William PUECH, Professeur, Université de Montpellier, LIRMM, Rapporteur
Alice CAPLIER, Professeure, Grenoble INP, GIPSA-lab, Examinatrice
Patrick BAS, Directeur de Recherche, CNRS, CRIStAL, Examinateur
Kai WANG Chargé de Recherche, CNRS, GIPSA-lab, Directeur de thèse

 

Résumé :
RÉSUME DE THÈSE (anglais) :
------------------------------------------
Fake images and videos have engulfed mass communication media. This is not something recent, manipulations and forgeries have occurred since the advent of photography itself. Accordingly, the creation of methods that can help us assure the authenticity of an image presented as non-modified is of paramount importance. In this thesis, we aim at detecting image manipulation operations using deep learning techniques. As our first attempt to address this research problem, we propose a low-complexity initialization method for CNNs. This method generates a set of random high-pass filters for the initialization of a CNN's first layer. In our second method we follow a different data-dependent approach. Accordingly, we propose a scaling method for first-layer filters which can cope well with different CNN initialization algorithms. Finally, we propose an improved random high-pass initialization method which does not explicitly compute the statistics of input data.
RÉSUME DE THÈSE (français) :
------------------------------------------
Les fausses images et vidéos apparaissent régulièrement dans les médias de communication de masse. Ce n'est pas quelque chose de récent, des manipulations et des falsifications ont eu lieu depuis l'avènement de la photographie elle-même. En conséquence, la création de méthodes qui peuvent nous aider à assurer l'authenticité d'une image présentée comme non modifiée est d'une importance capitale. Dans cette thèse, nous visons à détecter les opérations de manipulation d'images en utilisant des techniques d'apprentissage profond. Comme la première tentative pour résoudre ce problème de recherche, nous proposons une méthode d'initialisation de faible complexité pour les CNNs (réseaux de neurones convolutifs). Cette méthode génère un ensemble de filtres passe-haut aléatoires pour l'initialisation de la première couche d'un CNN. Dans notre deuxième méthode, nous suivons une approche différente et dépendant des données. En conséquence, nous proposons une méthode de mise à l'échelle pour les filtres de première couche qui peut bien s'adapter aux différents algorithmes d'initialisation de CNN. Enfin, nous proposons une méthode d'initialisation améliorée de filtres passe-haut aléatoires qui ne calcule pas explicitement les statistiques des données d'entrée.


GIPSA-lab, 11 rue des Mathématiques, Grenoble Campus BP46, F-38402 SAINT MARTIN D'HERES CEDEX - 33 (0)4 76 82 71 31