Project Deep Learning in Multimedia Forensics - Cheatsheet

Grundlegende Architektur von neuronalen Netzen (Einführung in Deep Learning)

Definition:

Grundaufbau von neuronalen Netzen und deren Anwendung in Deep Learning, Fokus auf Neuronen, Schichten und Aktivierungsfunktionen.

Details:

• Neuronen: Basisbaustein, berechnet gewichtete Summe der Eingaben, Aktivierungsfunktion entscheidet Ausgabe.
• Schichten: Eingabeschicht (Input Layer), versteckte Schichten (Hidden Layers) und Ausgabeschicht (Output Layer).
• Aktivierungsfunktionen: Bestimmen Ausgabe eines Neurons. Beispiele: Sigmoid, ReLU, Tanh.
• Vorwärtspropagation: Daten bewegen sich von Eingabe- zur Ausgabeschicht.
• Rückpropagation (Backpropagation): Fehlerberechnung und Gewichtsaktualisierung durch Gradientenabstieg.
• Verlustfunktion: Misst Abweichung zwischen Vorhersage und tatsächlichem Wert, z.B. MSE (Mean Squared Error), Cross-Entropy.
• Hyperparameter: Lernrate, Anzahl der Schichten und Neuronen pro Schicht.
• Regulierungstechniken: Vermeiden von Overfitting, z.B. Dropout, L2-Regularisierung.

Anwendung von Convolutional Neural Networks (CNNs) in der Forensik

Definition:

Verwendung von CNNs zur Analyse und Überprüfung digitaler Medien in forensischen Untersuchungen.

Details:

• Bild- und Videoanalyse zur Erkennung von Manipulationen
• Merkmalserkennung für Authentizitätsprüfung
• Nutzung von Schichten: Convolution, Pooling, Fully Connected
• Training mit großen Datensätzen für Erkennungsgenauigkeit
• Automatisierung und Effizienzsteigerung forensischer Prozesse

Techniken zur Erkennung von Bild- und Videomanipulationen (Multimedia Forensik Grundlagen)

Definition:

Methoden zur Erkennung von gefälschten oder manipulierten Bildern und Videos

Details:

• Passive Methoden: Analysieren Mediendateien ohne zusätzliche Informationen
• Aktive Methoden: Nutzen eingebettete Informationen oder Wasserzeichen
• Prüfung von Konsistenz in Metadaten, Pixel- und Farbinformationen
• Erkennung von Bildbearbeitungsspuren: Schnittkanten, Unregelmäßigkeiten
• Deep Learning: Einsatz neuronaler Netze zur Erkennung von Manipulationen
• Forensische Werkzeuge: Software zur detaillierten Analyse und Aufdeckung

Transfer Learning und Feinabstimmung vortrainierter Modelle

Definition:

Nutzung vortrainierter neuronaler Netze und Anpassung an eine spezifische Aufgabe mit geringeren Datenmengen.

Details:

• Transfer Learning: Übertragung von Wissen eines Modells, das auf einem großen Datensatz vortrainiert wurde, auf eine neue, verwandte Aufgabe.
• Feinabstimmung (Fine-Tuning): Weitertraining des vortrainierten Modells mit spezifischen Daten der Zielaufgabe, um Genauigkeit und Leistung zu verbessern.
• Vorteile: Spart Rechenressourcen und Trainingszeit, bessere Leistung bei kleinen Datensätzen.
• Vorgehen: Entfernen letzter Schichten, Hinzufügen neuer Schichten, Anpassung der Lernrate.

Erkennung von Deepfakes (Analyse von Bild- und Videomanipulation)

Definition:

Techniken zur Identifizierung gefälschter Bilder und Videos, die durch Deep Learning-Methoden erstellt wurden.

Details:

• Deepfakes: Mithilfe von KI erstellte manipulierte Medien.
• Detektionstechniken: Anomalien in Bild-/Videoeigenschaften erkennen und analysieren.
• Merkmale: Unstimmigkeiten in Pixel- oder Frequenzbereichen, unerwartete Bewegungsmuster.
• Tools: Convolutional Neural Networks (CNNs) und andere ML-Modelle zur Klassifizierung.
• Wichtige Verfahren: \textit{FaceForensics++, XceptionNet}, frequenzbasierte Analyse.
• Bewertung der Erkennungsgenauigkeit: Precision, Recall, ROC-Kurven, AUC.

Öffentlich zugängliche Forensik-Datensätze

Definition:

Öffentlich zugängliche Forensik-Datensätze: Sammlungen von Daten, die für forensische Analysen genutzt werden können und allgemein zugänglich sind.

Details:

• Datenquellen: Bilder, Videos, Metadaten, Dokumente.
• Verwendung: Training und Validierung von Deep-Learning-Modellen in der Multimedia-Forensik.
• Beispiele: \texttt{IEEE Forensics Dataset}, \texttt{CASIA TIDE Dataset}.
• Vorteile: Erleichtern die Entwicklung und Evaluierung neuer Algorithmen.
• Herausforderungen: Datenschutz, Datenqualität und Relevanz.

Rechtliche und ethische Aspekte der Forensik

Definition:

rechtliche und ethische Grundlagen und Herausforderungen in der forensischen Anwendung von Deep Learning; umfasst gesetzliche Regelungen, Datenschutz, Bias und Fairness.

Details:

• Gesetze und Vorschriften: DSGVO, Strafgesetzbuch
• Datenschutz und Privatsphäre: Einwilligung, Datenminimierung
• Bias und Fairness: Vermeidung von Diskriminierung
• Ethik: Verantwortungsvolle KI-Entwicklung, Transparenz
• Beweissicherung: Integrität, Nachvollziehbarkeit

Automatische Erkennung und Klassifikation von Manipulationen

Definition:

Verfahren zur Identifikation und Einordnung manipulierter Multimedia-Inhalte (Bilder, Videos).

Details:

• Verwendung von Deep-Learning-Techniken
• Detektion von Anomalien und Artefakten im Datenmaterial
• Training von Modellen auf manipulierten und Originaldaten
• Anwendung von Convolutional Neural Networks (CNNs)
• Merkmals-Extraktion und Klassifikation