Forensic image classification with active learning and generative adversarial network-based data augmentation

doi:10.1016/j.dsp.2025.105649

Forensic image classification with active learning and generative adversarial network-based data augmentation

2025-10-09

0

PRE

AI

DOI：10.1016/j.dsp.2025.105649

原文链接

原文求助

摘要

En 中文

犯罪现场调查（CSI）图像分类对法证分析至关重要，因为它有助于证据解释并支持刑事调查。传统方法严重依赖在大型、完全标注的数据集上训练的深度卷积神经网络（CNNs），而这些数据集的获取成本高昂且劳动密集。为应对这一挑战，我们引入了一种创新性的主动学习（AL）方法，该方法使用较少的标注样本即可提升模型性能。许多AL技术依赖静态选择方法，这些方法限制了适应性，且在动态环境中表现不佳。为克服此问题，我们提出了一种AL框架，该框架将深度强化学习（DRL）与范围损失函数（SLF）相结合，以动态选择最具信息量的未标注样本。SLF平衡了已知数据的利用与新数据机会的探索。所提出的模型通过使用具有选择性梯度省略的生成对抗网络（GAN）进行动态数据增强，提高了适应性。此外，为高效稳定地优化超参数，它采用了一种由k-means变异引导的增强型差分进化（DE）算法。在CIIP-CSID1、CIIP-CSID2和CIIP-CSID3数据集上的实验表明，所提出的模型分别实现了93.62%、88.45%和87.14%的平均F度量值。该方法优于现有方法，并减少了大量人工标注的需求。这些结果证实，结合主动学习、基于GAN的增强和优化超参数可显著提升CSI图像分类的准确性和效率，为实际法证应用提供了实用解决方案。

Forensic image classification with active learning and generative adversarial network-based data augmentation

摘要

期刊

机构

引用论文