深度学习图像年龄近似的设备 (不) 依赖性
原文中文，约400字，阅读约需1分钟。发表于：。数字图像的时间取证目标是相对于同一设备的图像近似估计其年龄。传统的方法是基于图像采集过程中留下的痕迹，而卷积神经网络（CNN）作为一种新方法，可以独立学习用于估计图像年龄的特征，并可以利用与在场传感器缺陷不同的其他年龄痕迹。本研究通过训练单一设备的网络，然后将训练的模型应用于不同设备的图像来评估所学特征的设备相关性。
本研究使用液压系统测试数据集，聚焦于传感器基于的状态监测，并探索了深度学习技术的应用。比较了三种模型的性能，发现基准模型通过晚期传感器融合取得了1%的测试误差率，而卷积神经网络模型遇到了挑战，导致了20.5%的误差率。进一步调查发现，单独训练每个传感器可以提高准确性。同时，评估2L-CNN模型的性能时，考虑最不理想和最理想传感器的组合，错误率降低了33%。研究强调了有效应对多传感器系统复杂性的重要性。
