检测小篡改区域的U型网络
目的 图像篡改区域检测是图像取证领域的一个挑战性任务,其目的是找出图像的篡改区域.传统方法仅针对某种特定的篡改方式进行设计,难以检测其他篡改方式的图像.基于卷积神经网络的方法能够自适应地提取特征,同时检测包含多种篡改方式的图像.但是其中多数方法都选择增强图像的噪声特征,这种机制无法较好处理篡改区域与原图像来源相同、噪声相似的情况.多数方法还忽略了篡改区域过小而产生的样本不平衡问题,导致检测效果不佳.方法 提出了一个基于区域损失的用于检测小篡改区域的U型网络,该网络构建了一个异常区域特征增强机制,放大与图像背景差异较大的异常区域的特征.此外,还利用区域损失增强对篡改区域框内像素的判别能力,可以解决因篡改区域过小而产生的样本不平衡问题.结果 消融实验说明了异常区域特征增强机制和区域损失机制的有效性;对JPEG压缩和高斯模糊的对抗性测试证明了模型的鲁棒性;在CASIA2.0(CASI-A image tampering detection evaluation database)、NIST2016(NIST nimble 2016 datasets)、COLUMBIA(Columbia uncom-pressed image splicing detection evaluation dataset)和COVERAGE(a novel database forcopy-move forgery detection)数据集上与最新方法进行比较时,本文方法取得了最优性能,其F1 score分别为0.9795、0.9822、0.9953和0.9870.结论 本文的异常区域特征增强机制和区域损失机制能有效提高模型性能,同时缓解篡改区域过小导致的样本不平衡问题,大量实验也表明了本文提出的小篡改区域检测方法的优越性.
图像取证;小篡改区域检测;特征增强;区域损失;卷积神经网络(CNNs);U型网络(U-Net)
27
TP391.41;TP183(计算技术、计算机技术)
国家自然科学基金;国家自然科学基金;国家自然科学基金;浙江省自然科学基金;浙江省自然科学基金
2022-02-16(万方平台首次上网日期,不代表论文的发表时间)
共12页
176-187