基于卷积神经网络的随机因子重采样图像检测
图像重采样检测是图像取证领域的重要任务,其目的是检测图像是否经过重采样操作.现有的基于深度学习的重采样检测方法大多只针对特定的重采样因子进行研究,而较少考虑重采样因子完全随机的情况.本文根据重采样操作中所涉及的插值技术原理设计了一组高效互补的图像预处理结构以避免图像内容的干扰,并通过可变形卷积层和高效通道注意力机制(efficient channel attention,ECA)分别提取和筛选重采样特征,从而有效提高了卷积神经网络整合提取不同重采样因子的重采样特征的能力.实验结果表明,无论对于未压缩的重采样图像还是JPEG压缩后处理的重采样图像,本文方法都可以有效检测,且预测准确率相比现有方法均有较大提升.
图像取证、重采样检测、可变形卷积、高效通道注意力(ECA)、卷积神经网络
34
TP391(计算技术、计算机技术)
国家自然科学基金;上海市自然科学基金资助项目
2023-05-04（万方平台首次上网日期，不代表论文的发表时间）
共9页
232-240
