Year: 2025
Type: conference-paper
Abstract: Malgré les progrès récents en détection de photomontages, les outils forensiques qui se basent sur l'apprentissage profond restent difficiles à exploiter en pratique, en raison de leur forte sensibilité aux données d'entraînement. Un simple posttraitement appliqué aux images d'évaluation peut suffire à dégrader leurs performances, compromettant leur fiabilité en contexte opérationnel. Dans cette étude, nous montrons qu'un même détecteur peut réagir différemment à des post-traitements inconnus selon les poids appris, malgré des performances similaires sur des données issues de la distribution d'entraînement. Ce phénomène s'explique par la variabilité des espaces latents induite par les entraînements, qui structurent différemment la séparation des classes. Nos expériences révèlent une corrélation marquée entre la distribution des marges latentes et la capacité de généralisation du détecteur. Nous proposons ainsi une méthode simple pour une détection de photomontages robuste à destination des praticiens : entraîner plusieurs variantes d'un même modèle et sélectionner celle maximisant la marge dans l'espace latent, afin d'accroître la robustesse face aux post-traitements.
Source: HAL
Authors: Simon de Kergunic, Julien, Abecidan, Rony, Bas, Patrick, Itier, Vincent
Language: French
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7020549051
