하이브리드 딥러닝 기반 디지털 문서 위변조 탐지 시스템 = Digital Document Forgery Detection System Based on Hybrid Deep Learning

국문 초록 (Abstract)

본 연구는 최근 정보 기술의 발전과 함께 대두된 디지털 문서의 위변조 문제를 해결하기 위한 방법을 제시하고자 한다. 기존의 전통적인 탐지 기법은 고도화되는 위조 기술에 대비하는 것에 한계가 있으며, 단일 딥러닝 모델에 의존하는 방법 또한 특정 위조 방식에만 강점을 보이는 등의 편향성을 가진다. 이러한 문제의 해결을 위하여 본 연구에서는 하이브리드 딥러닝 기반의 문서 위변조 탐지 시스템을 제안한다. 제안하는 시스템은 두 개의 독립적인 모델이 병렬 작동하는 앙상블 아키텍처를 특징으로 한다. CRNet은 전처리된 이미지를 입력받아서 시각적 아티팩트를 분석하는 CNN 모델이며, CDNN 모델은 OCR로 탐지된 텍스트 영역을 기반으로 4가지 수치 특징을 추출한 값을 입력받아 변조 확률을 분석하는 DNN 모델이다. 두 모델의 예측 확률은 소프트 보팅 방식으로 결합해 최종 위변조 여부를 판별한다. 시스템은 사용자 편의성을 위하여 웹 서비스로 구현되어 있으며, 시스템은 Retyping/Rewriting과 같은 위조 유형에 특화된 탐지를 수행한다. 본 연구의 핵심 목적은 시각적, 통계적 분석을 상호 보완하는 하이브리드 딥러닝 기반의 자동 탐지 시스템을 설계하고, 이를 사용자 친화적인 웹 서비스 형태로 직접 구현하는 데 있으며, 이러한 시스템 구현을 바탕으로 기존 단일 모델의 한계를 극복하는 탐지 성능의 학술적 향상을 의도하였으며, 실제 환경에서의 실무 적용 가능성을 추가적으로 검증한다. 향후 위변조 탐지 솔루션으로써 높은 활용도가 기대된다.

다국어 초록 (Multilingual Abstract)

This study proposes a method to address digital document forgery and tampering, which have emerged alongside recent advances in information technology. Traditional detection techniques have limitations in coping with increasingly sophisticated forgery methods, and approaches relying on a single deep learning model tend to exhibit bias, showing strength only for specific types of manipulation. To overcome these limitations, this study proposes a document forgery detection system based on a hybrid deep learning approach. The proposed system features an ensemble architecture in which two independent models operate in parallel. CRNet is a CNN-based model that analyzes visual artifacts from preprocessed images. In contrast, the CDNN model is a DNN-based model that analyzes manipulation probability using four numerical features extracted from OCR-detected text regions. The prediction probabilities from the two models are combined using a soft voting scheme to determine the document's final authenticity. For user convenience, the system is implemented as a web service and performs specialized detection for forgery types such as Retyping and Rewriting. Suspected tampered regions are visualized with red bounding boxes, and this hybrid approach demonstrates superior robustness and detection performance compared to conventional single-model methods by complementing visual and statistical analyses. The primary objective of this study is to design a hybrid deep learning-based automatic detection system that integrates visual and statistical analysis in a complementary manner, and to implement it as a user-friendly web service. Based on this system implementation, the study aims to overcome the limitations of existing single-model approaches and achieve academic improvements in detection performance. In addition, the practical applicability of the proposed system is further validated in real-world environments. The proposed system is expected to be highly applicable as a practical forgery-detection solution in the future.