Fingerprinting Technology
DigiCAP의 Fingerprinting 기술은 CNN(Convolutional Neural Network) 기반의 딥러닝 알고리즘을 사용하여 이미지와 동영상에서 고유한 특징을 추출하고, 이를 통해 콘텐츠의 진위성을 검증합니다.
핵심 기술
핑거프린트 기술의 핵심은 콘텐츠가 일부 편집(크롭, 리사이징, 색상 보정 등)되거나 다른 형태로 재가공되더라도 그 고유성을 잃지 않고 원본을 추적할 수 있는 **강인성(robustness)**에 있습니다.
기술 개요
주요 기술
본 시스템은 단일 기술에 의존하는 대신, 두 가지 강력한 접근 방식을 결합한 하이브리드(Hybrid) 모델을 채택하여 정확도와 효율성을 극대화했습니다.
CNN (Convolutional Neural Network) 특징 추출
- 이미지/영상의 고유한 시각적 특성을 수치화
- 압축, 크기 조정, 포맷 변환에도 견고한 특징점 추출
- 실시간 유사도 매칭 및 변조 탐지
- Deep Learning 기반 특징 추출
Perceptual Hash (PHash) 생성
- 이미지 프레임의 전체적인 구조와 형태를 기반으로 고유한 해시 값을 생성
- 대규모 데이터베이스에서 유사 후보군을 신속하게 찾아내는 데 효과적
- CNN 분석의 부하를 줄여줌
핑거프린트 추출 파이프라인
비디오 핑거프린트는 아래와 같은 체계적인 단계를 거쳐 생성됩니다.
프레임 단위 특징 추출 (extract frame feature)
- 먼저 비디오는 개별 이미지 프레임으로 분리
- 프레임은 Deep Learning 기반의 MultiTaskModel에 입력되어 1280차원의 CNN 특징 벡터(핑거프린트)로 변환
- 이 벡터는 해당 프레임의 핵심적인 시각 정보를 압축
세그먼트 단위 특징 집계 (extract segment feature)
- 프레임 단위의 특징들은 불안정할 수 있으므로, 일정 시간(예: 5초) 단위의 '세그먼트'로 묶어 평균화(Average Pooling)
- 노이즈에 강하고 안정적인 세그먼트 대표 핑거프린트를 생성
하이브리드 핑거프린트 생성 및 저장
- 세그먼트의 CNN 핑거프린트와 144비트 Perceptual Hash 값을 결합하여 하이브리드 핑거프린트를 완성
- 이 정보는 .pth 파일 형식으로 저장되어 데이터베이스에 보관
탁월한 견고함과 정확성
본 시스템의 핑거프린트는 인공지능이 학습한 추상적인 특징 덕분에 다음과 같은 다양한 변형에도 원본을 정확히 식별할 수 있습니다.
- 재인코딩 및 압축: 다양한 플랫폼에 업로드시시 발생하는 화질 저하 및 압축에 강함
- 해상도 및 화면비 변경: 영상 크기를 조절하거나 화면 일부를 잘라내도 탐지가 가능
- 보정 및 필터 적용: 밝기, 대비, 색상 필터 등의 시각적 효과가 추가되어도 원본의 고유성을 유지
기술 문의사항은 info.bornid@digicaps.com로 연락주세요.