首页|检测小篡改区域的U型网络

检测小篡改区域的U型网络

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
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.
U-Net for detecting small forgery region

刘丽颖、王金鑫、曹少丽、赵丽、张笑钦

展开 >

温州大学, 温州 325035

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)

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

61922064U203321062101387LR17F030001LQ19F020005

2022

10.11834/jig.210438

中国图象图形学报
中国科学院遥感应用研究所,中国图象图形学学会 ,北京应用物理与计算数学研究所

中国图象图形学报

CSTPCDCSCD北大核心
影响因子：1.111
ISSN：1006-8961
年,卷(期)：2022.27(1)
  • 2
  • 1