A dataset of Photos and Videos for Digital Forensics Analysis Using Machine Learning Processing

Author Contributions:
Conceptualization, S.F., M.A., and M.E.C.; data curation, S.F. and M.A.;
formal analysis, S.F. and M.A.; funding acquisition, M.E.C.; investigation, S.F., M.A., M.E.C.; method-
ology, S.F. and M.A.; software, S.F.; supervision, M.A. and M.E.C.; validation, M.A. and M.E.C.;
visualization, S.F.; writing—original draft: S.F., M.A., M.E.C.; writing—review and editing; S.F., M.A.,
and M.E.C. All authors have read and agreed to the published version of the manuscript.
Funding:
This work is financed by National Funds through the Portuguese funding agency, FCT-
Fundação para a Ciência e a Tecnologia, within project UIDB/50014/2020.
Institutional Review Board Statement:
Not applicable.
Data Availability Statement:
The data are publicly available under a MIT License in the follow-
ing GitHub repository:
https://github.com/saraferreirascf/Photos-Videos-Manipulations-Dataset
(accessed on 4 August 2021).
Acknowledgments:
The authors acknowledge the facilities provided by INESC TEC, Faculty of
Sciences, and University of Porto, for the support to this research. This work is financed by National
Funds through the Portuguese funding agency, FCT- Fundação para a Ciência e a Tecnologia, within
project UIDB/50014/2020.
Conflicts of Interest:
The authors declare no conflict of interest.

---

Data 2021, 6, 87
14 of 15
Abbreviations
The following abbreviations are used in this manuscript:
A
Accuracy
CNN
Convolutional Neural Networks
CV
Cross Validation
DFT
Discrete Fourier Transformation
DoG
Difference of Gaussian
FCN
Fully Convolutional Network
FN
False Negative
FP
False Positive
GAN
Generative Adversarial Network
ML
Machine Learning
ORB
Oriented Rotated Brief
P
Precision
R
Recall
RNN
Recurrent Neural Networks
SVM
Support Vector Machines
TN
True Negative
TP
True Positive