PSCC-Net: Progressive Spatio-Channel Correlation Network for Image Manipulation Detection and Locali
arXiv 2021 Mar
图像的篡改检测分为隐式检测和显式检测
隐式检测 说明了图像整体篡改的概率
显式检测 说明逐像素篡改的概率
即判定一张图片是否经过篡改 和 像素级别的定位篡改
近年来的算法太过于关注像素级的定位，而忽略了图片整体的篡改概率。
但是就信息量而言，定位的信息已经包括了图片整体的篡改概率了。
比如说，要说明一个人是坏人，首先要说明他干了什么坏事才对。
指出人干了什么坏事，说明是坏人
一般的图像篡改检测算法输出的Pred 不是一个二值化的分类mask图像，而是在0-255之间的灰度图像。
无论是边缘还是区域，人眼都是可以看出篡改面积的大小的。
前半部分网络
专注于融合多尺度的特征
自上而下输出的特征图变为上层的1/2.
所有的block 全部为stage1标注的相同。
后半部分网络
提供最终的结果，由粗到细的思想。
分辨率较小的输出提供精确度较小的预测图。
所有的输出pred ，全部由gt经过resize之后使用交叉熵loss进行约束。
同时得到了像素级的Pred和图像整体的篡改概率。
图像整体的概率由0/1标注。经过篡改为1，未经过篡改为0。
同样由交叉熵loss约束。
mask由
下层的mask 经过上采样到与上层特征相同，在与上层特征做点乘作为SCCM的输入。SCCM不改变图像的大小。得到新的mask ，为SCCM 的输出。
这是把前一个mask 当作是后一个mask的先验。
最终的loss函数
很容易理解就是5个交叉熵loss。
SCCM
得到全图的篡改概率
Jingdong Wang, Ke Sun, Tianheng Cheng, Borui Jiang, Chaorui Deng, Yang
Zhao, Dong Liu, Yadong Mu, Mingkui Tan, Xinggang Wang, et al. Deep
high-resolution representation learning for visual recognition. PAMI,
2020. 2, 3,
Detection Head 的输入为4个特征。Detection Head的构造由上引用论文给出，。
用4个特征给出一个概率也不是什么难事。就不去找这篇论文了。
训练方式
MS COCO生成训练数据
每个类有100k的∼图像，因此总共有400k。由于在一个epoch内训练所有篡改图像的效率低下，在每个类中均匀采样25k张图像，形成一个100k张动态数据集，在每个epoch内进行训练。此外，还构建了一个包含4张×100张图像的验证集。合成图像的大小均设置为256×256。
测试数据
PSCC-Net: Progressive Spatio-Channel Correlation Network for Image Manipulation Detection and Locali相关推荐
- 【论文笔记】PSCC-Net: Progressive Spatio-Channel Correlation Network for Image Manipulation Detection and
PSCC-Net: Progressive Spatio-Channel Correlation Network for Image Manipulation Detection and Locali ...
- 显著性目标检测之Global Context-Aware Progressive Aggregation Network for Salient Object Detection
Global Context-Aware Progressive Aggregation Network for Salient Object Detection 文章目录 Global Contex ...
- 文献学习(part7)--A strategy to incorporate prior knowledge into correlation network cutoff selection
学习笔记,仅供参考,有错必纠 文章目录 A strategy to incorporate prior knowledge into correlation network cutoff select ...
- WGCNA | weighted correlation network analysis
早就接触过这个包了,只是一直畏惧,以为很复杂,也没有应用场景,所以认识很肤浅. 现在有应用场景了,我自己开发了一个幼稚的版本,发现了很多需求,后来想起了WGCNA似乎部分解决了我的问题,今天认真打开了 ...
- PBRNet:Progressive Boundary Refinement Network for Temporal Action Detection （AAAI 2020）
PBRNet:Progressive Boundary Refinement Network for Temporal Action Detection AAAI 2020 中国科学技术大学 欢迎感兴 ...
- 【论文笔记】Hierarchical Paired Channel Fusion Network for Street Scene Change Detection
论文 论文题目:Hierarchical Paired Channel Fusion Network for Street Scene Change Detection 收录:IEEE Transac ...
- 注意力机制——ECANet（Efficient Channel Attention Network）
ECANet(Efficient Channel Attention Network)是一种新颖的注意力机制,用于深度神经网络中的特征提取,它可以有效地减少模型参数量和计算量,提高模型的性能. ECA ...
- 分析显著性目标检测--Global Context-Aware Progressive Aggregation Network for Salient Object Detection
分析显著性目标检测--Global Context-Aware Progressive Aggregation Network for Salient Object Detection 引入 方法 网 ...
- 深度学习自学（三十九）：SRN骨架检测 Side-output Residual Network for Object Symmetry Detection in the Wild
北京大学陈杰老师论文阅读报告:SRN 骨骼检测 SRN 阅读报告 参考论文:Side-output Residual Network for Object Symmetry Detection in ...
最新文章
- Django ORM操作
- nero结果，对应的分析。如下。
- Android相关面试题---初识
- python __builtins__ complex类 （13）
- 创建健壮的微服务架构所涉及的组件
- 旧金山字体_旧金山建筑业的兴衰。 施工趋势与历史
- winform中导入excel表格
- MySQL 常用分库分表方案，都在这里了！
- 通过ToStringBuilder实现toString方法
- 2021年南京市高考成绩查询,2021年南京高考各高中成绩及本科升学率数据排名及分析...
- 时钟芯片AD9520
- [DataAnalysis]基于统计假设检验的机器学习模型性能评估——泛化误差率的统计检验
- html表单的13种表单控件
- Vue2.0 —— 运用算法实现 AST 抽象语法树
- 水上飞机行业调研报告 - 市场现状分析与发展前景预测
- 光之盟：从ONA的握手，解锁全光网产业未来
- 【算法学习】前缀树Trie
- osi七层语言html,OSI分为哪七层 OSI七层功能介绍【详解】
- Oracle篇--04 Oracle SQL高级查询、分页查询
- 为什么VDI对核心UNIX®和Linux®工程应用有意义