Abstract:
Ce mémoire se concentre sur le développement d'un système intelligent de détection des falsifications dans les images et vidéos, exploitant des techniques avancées de traitement d'image et d'apprentissage profond. Le projet inclut une analyse approfondie des méthodes de détection basées sur les anomalies de bruit, les incohérences de bruit, les résidus de bruit post-filtrage, les artefacts de compression, et le dé-mosaiquage. En parallèle, nous avons mis en oeuvre des modèles d'apprentissage profond, tels que les réseaux de neurones convolutifs (CNN), en utilisant des approches d'apprentissage par transfert et d'ensemble learning pour améliorer la précision de la détection.
L'intégration d'UNET pour la segmentation d'image a permis une identification plus fins des manipulations. Le systèmes déployé combine une interface utilisateur intuitive et une architecture backend robuste, optimisé pour le traitement en temps réel et l'analyse adaptative des images et vidéos.
Les résultats obtenus montrent une amélioration significative des performances de détection, ouvrant la voie à des applications futures dans divers domaines de la sécurité et de la justice.
