摘要
随着多媒体技术的进步，图像信息的获取、传播和修改变得非常便捷与普遍，人们在享受技术带来的便利的同时，也面临着数字信息篡改愈加便利所带来的危害。而图像复制-粘贴篡改作为图像篡改的主要组成部分，其篡改类型多样，攻击形式丰富，且难以检测。因此，本文致力于基于深度学习技术的图像复制-粘贴篡改取证领域的系统性研究，其主要工作如下： 1．为解决卷积神经网络固有的感受野增加缓慢、忽略长端依赖性、计算量庞大等问题，使其适用于以轻量化形式实现图像篡改定位的场景。本文提出了一种基于轻量化网络的图像复制-粘贴篡改检测算法-LKA-EfficientNet。LKA-EfficientNet利用大核注意力卷积具有长端依赖性和全局感受野的特性，优化EfficientNetv2-S参数数量，从而提高图像篡改定位速度和精度。 2．为有效利用图像共有特征，本文在ResNet-50网络上使用领域自适应方法训练网络，并针对图像篡改任务所具有的抽象化的语义特征来优化网络深层结构。首先，假设源域与目标域相似程度较差，利用模型迁移方法探究Resnet-50网络与篡改图像特有的抽象化语义特征的关联性。其次，通过模型微调和模型迁移精度之间的比较定量分析源域与目标域的相似程度。然后，通过大数据集的预训练模型和更小目标域数据集的比较，明确了预训练模型对该类任务的影响。 3．现行主流的复制-粘贴篡改检测技术存在数据集规模小、模型功能单一、部署空间过大、耗费资源较多、算法抗攻击性弱等问题，这极大的阻碍了图像被动取证技术的发展与应用。为解决上述问题，本文基于图像分类任务域空间优异的可迁移性质，提出了一种多任务网络-MHTNet。首先，设计了一个C-adapter模块，利用启发式迁移学习，结合零样本学习训练方式在预训练模型中插入并训练微量参数模块C-adapter，完成目标域对齐源域的启发过程。其次，使用Grad_CAM++算法，利用模型权重所蕴含的知识进行梯度回传，以完成可疑目标区域的定位。
NETL