Compartir
  • Esta investigación es de alto interés para la ciencia forense digital
  • Analizando las características de la imagen, se identifica el modelo del dispositivo, además de si la cámara es frontal o trasera.

 

Modesto Castrillón

 Los investigadores de la ULPGC David Freire-Obregon y Modesto Castrillón-Santana, en colaboración con los investigadores italianos Silvio Barra y Fabio Narducci, han suscrito una investigación titulada ‘Análisis profundo para la identificación de cámaras en dispositivos móviles’, en la que se propone un método para identificar la cámara que ha obtenido una fotografía solamente por medio del análisis de la señal de la fotografía.

 Para ello, se hace uso de técnicas de deep learning (análisis profundo). Recientemente, las redes neuronales convolutivas (en inglés, convolutional neural networks o CNN) han demostrado un buen rendimiento en distintas tareas como el reconocimiento de imágenes, el análisis de vídeos o el procesado de lenguaje natural. Una red neuronal convolutiva está compuesta por un conjunto de capas, cada una de las cuales se comporta como un filtro que aplica una operación de convolución sobre la imagen original, o bien, sobre el resultado de aplicar otras capas precedentes a la imagen.

David Freire

Estos filtros poseen la habilidad de extraer características únicas de la imagen para realizar una determinada tarea ya que son entrenados en base a un propósito (un target). En esta investigación se describe una arquitectura CNN capaz de inferir el patrón de ruido generado por un sensor fotográfico. El objetivo, es identificar la cámara en base a dicho patrón. Este trabajo proporciona un análisis interesante sobre cómo afrontar el problema en cuestión a través de la variación de parámetros en la red neuronal. Como resultado, se identifica el modelo del dispositivo, además de si la cámara es frontal o trasera.

Esta investigación es de alto interés para la ciencia forense digital y ha sido publicada en la revista internacional Pattern Recognition Letters, de la Editorial Elsevier, con un índice 1.954, situada en el segundo cuartil de su área.