图像内复制粘贴篡改取证matlab_[论文笔记] 篡改检测:RGB-N
[论文笔记] Learning Rich Features for Image Manipulation Detection
说在前面
个人心得:
- 第一次关注篡改检测,最常见的篡改方式是拼接、复制移动和删除。
- 本文提出一个双流Faster R-CNN,用于篡改区域的检测和类型识别。
- RGB和噪声双输入流,更好地利用一些潜在的特征。
- 利用双线性池化进行特征融合,效果不错
CVPR 2018,原文链接:http://arxiv.org/abs/1805.04953
一作开源源码:https://github.com/pengzhou1108/RGB-N
本文作于2020年10月14日。
摘要
Image manipulation detection is different from traditional semantic object detection because it pays more attention to tampering artifacts than to image content, which suggests that richer features need to be learned. We propose a two-stream Faster R-CNN network and train it end-to-end to detect the tampered regions given a manipulated image.
One ofthe two streams is an RGB stream whose purpose is to extract features from the RGB image input to find tampering artifacts like strong contrast difference, unnatural tampered boundaries, and so on. The other is a noise stream that leverages the noise features extracted from a steganalysis rich model filter layer to discover the noise inconsistency between authentic and tampered regions. We then fuse features from the two streams through a bilinear pooling layer to further incorporate spatial co-occurrence of these two modalities.
Experiments on four standard image manipulation datasets demonstrate that our two-stream framework outperforms each individual stream, and also achieves state-of-the-art performance compared to alternative methods with robustness to resizing and compression.
1. 引言
2. 相关工作
3. 所提出的方法
3.1 RGB输入流
3.2 噪声输入流
3.3 双线性池化
3.4 实施细节
4. 实验
4.1 预训练模型
4.2 标准数据集上的测试
- NIST16是一个具有挑战性的数据集,其中包含所有三种篡改技术。此数据集中的操作经过后处理以隐藏可见痕迹。他们还提供了真实的防篡改蒙版以供评估。
- CASIA提供各种对象的拼接和复制移动图像。仔细选择被篡改的区域,并应用一些后期处理,例如滤波和模糊处理。通过对篡改图像和原始图像之间的差异进行阈值处理来获得真实的蒙版。我们使用CASIA 2.0进行训练,并使用CASIA 1.0进行测试。
- COVER是一个相对较小的数据集,专注于复制移动。它覆盖了与粘贴区域相似的对象,以隐藏篡改伪影,并提供了GT mask。
- 哥伦比亚数据集专注于基于未压缩图像的拼接,并提供了GT mask。
以下是标准数据集的数量和划分。
评估指标:我们使用像素水平F1得分和接收器工作特性曲线下面积(AUC)作为我们的性能比较评估指标。F1分数是用于图像篡改检测的像素级别评估指标。我们改变不同的阈值,并使用最高的F1分数作为每个图像的最终分数,遵循相同的方法。我们将置信度得分分配给检测到的边界框中的每个像素,以进行像素级AUC评估。
基线模型:
- ELA:一种错误级别分析方法,旨在通过不同的JPEG压缩质量来查找篡改区域和真实区域之间的压缩错误差异。
- NOI1:一种基于噪声不一致的方法,使用高通小波系数来建模局部噪声。
- CFA1:一种CFA模式估计方法,该方法使用附近的像素近似相机滤镜阵列模式,然后为每个像素产生篡改概率。
- MFCN:一个基于多任务边缘增强FCN的网络,使用边缘二进制掩码和使用篡改区域掩码的篡改区域共同检测篡改边缘。
- J-LSTM:一个基于LSTM的网络联合训练补丁级别篡改边缘分类和像素级别篡改区域分割。
- RGB Net:一个以RGB图像作为输入的Faster R-CNN网络。即我们的RGB Faster R-CNN流。
- Noise Net:单个Faster R-CNN网络,其噪声特征图作为输入从SRM滤波器层获得。RPN网络在这种情况下使用噪声特征。
- Late Fusion:直接融合结合了所有检测到的RGB Net和噪声Net的边界框。来自两流的重叠检测区域的置信度得分设置为最大。 9. RGB-N:RGB流和噪声流的双线性池,用于篡改分类,RGB流用于边界框回归。 即我们的完整模型。
数据增强:我们在下表中比较了不同的数据增强方法。与没有增强相比,图像翻转可提高性能,而其他增强方法(如JPEG压缩和噪声)则几乎没有改善。
JPEG的鲁棒性和调整大小的攻击:我们测试了我们方法的鲁棒性,并与下表中的3种方法(可使用其代码)进行了比较。我们的方法对这些攻击更鲁棒,并且胜过其他方法。
4.3 篡改技术检测
4.4 定性结果
5. 总结
图像内复制粘贴篡改取证matlab_[论文笔记] 篡改检测:RGB-N相关推荐
- 【论文笔记】NTU RGB+D
NTU RGB+D 论文链接 NTU RGB + D优势: 更多的动作类 每个动作类更多的样本 类内变换(姿势,环境条件,交互对象,演员年龄,-) 更多的摄影机视角 更多的摄影机到对象距离 使用的Ki ...
- CMD窗口--解决无法复制粘贴文字的办法
打开CMD 假如我们要复制其中的一些东西,我们会在窗口中右键点击,然后选择标记,选中我们想要复制的东西,然后进行Ctrl + C复制粘贴,就完成了. 但是这个有个弊端,就是只允许我们在CMD窗口之内进 ...
- 竟有内鬼!北理工硕士生「复制粘贴」论文,旷视研究员最新声明
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自|AI算法与图像处理 [导读]过了半个多月,北理工硕士公然抄 ...
- 诺奖得主涉嫌学术造假!30多篇论文被曝P图、复制粘贴,牵扯中科大教授等多国学者
大数据文摘出品 近日,著名学术打假网站Pubpeer又曝光了一起严重学术造假,并且这一事件的主角还是2019年诺贝尔奖生理学或医学奖得主--格雷格・塞门扎(Gregg L. Semenza). 截至今 ...
- 知云文献翻译打不开_有了这个英文文献翻译助手,SCI论文阅读不用再复制粘贴...
上一次给大家推荐SCI翻译神器后,大家的反响很强烈,看来大家对于英文写作都有一样的烦恼.身为科研工作者,SCI论文的写作确实是一座压垮很多人的大山.不过别怕,困难总会克服的. 大家平时在阅读英文文献时 ...
- NeurIPS 2020 | AI编程:如何从复制粘贴走向推理合成(文末附论文及代码)
编者按:AI 编程是人们对人工智能的一大期望,现在的 AI 编程技术虽然已经惠及了许多不会编程的普通用户,但还远没有达到满足人们预期的程度,一大痛点在于:现有 AI 只会进行机械地记忆与复制粘贴,难以 ...
- android textview 复制粘贴,android app 内 实现文本复制粘贴功能
如果有一天我后悔了自己的决定,希望一切都还来得及. 在app内实现复制粘贴功能,主要分为两种情况.一种是点击按钮,复制指定的文本.一种是长按文本调用系统的复制功能. (一)主要用于复制一些序列号,邀请 ...
- linux内如何复制粘贴文本
linux内如何复制粘贴文本 在终端中使用键盘快捷键进行复制粘贴 为什么 Linux 终端不使用"通用"的 Ctrl+C 和 Ctrl+V 在终端中使用键盘快捷键进行复制粘贴 在 ...
- win10与内置ubuntu之间复制粘贴操作
cmd窗口执行bash后得到的命令窗与在xshell不同,通过shift+v无法黏贴,并且在输入界面鼠标右键无法使用.后来发现鼠标右键可以在对话框的标题上点击,弹出的菜单上面 ==> Edit( ...
最新文章
- 黑客零基础入门 | 网络安全
- 【转】mysql-status和variables区别
- numpy(3)-numpy.random.random() ,random_sample()连续均匀分布
- NeurIPS 2019 | 用于弱监督图像语义分割的新型损失函数
- XCTF-MISC-新手区-gif
- 银行招聘笔试中行测和综合知识复习心得
- Windows2008|2003超出最大连接数
- html日期选择器小日历样式,9 款样式华丽的 jQuery 日期选择和日历控件
- Qt实现 员工培训管理系统
- MapReduce的C#实现及单元测试(试验)
- UE4对接腾讯GME语音服务(实时语音一)
- conda使用清华镜像安装pytorch
- java资源文件路径_Java 中获取资源(文件)的路径问题总结
- Ubuntu应用---官方完美安装typora (.md文件编辑器)
- SOLID原理的详细信息。
- 第一章 ArcGIS Pro python高级脚本教程介绍
- python -m json.tool的使用
- css–sprit_高级CSS –类已用完–通过使用结构化格式标签避免类
- python gui是什么_python的gui是什么
- Sourcetree 无法打开
热门文章
- leetcode 448. 找到所有数组中消失的数字(Java版)
- 面试必会系列 - 5.3 LVS负载均衡
- 【Python Flask】使用Ajax向后台提交数据(拼接url方式)
- PAT1004 成绩排名【vector sort排序、string的使用】
- HTML中引入CSS的三种方式——响应式Web系列学习笔记
- 【传智播客】Javaweb程序设计任务教程 黑马程序员 第三章 课后答案
- 最全!最完整的递归下降分析法代码!!! (实验报告,代码)
- Win7 路由上网DNS服务器ping不通的解决方法
- Android 判断应用 第一次启动
- log4j2 pattern 行号_Springboot整合log4j2日志全解总结