基于双通道R-FCN的图像篡改检测模型

被引：13

作者：

田秀霞 ^{[1
]}

李华强 ^{[1
]}

张琴 ^{[2
]}

周傲英 ^{[3
,4
]}

机构：

[1] 上海电力大学计算机科学与技术学院

[2] 国网兰州供电公司互联网部信息通信安全实验室

[3] 华东师范大学数据科学与工程研究院

[4] 不详

来源：

计算机学报 | 2021年 / 44卷 / 02期

关键词：

图像篡改检测; 深度学习; 双通道网络; 基于区域的全卷积网络; 双线性插值;

D O I：

暂无

中图分类号：

TP391.41 []; TP18 [人工智能理论];

学科分类号：

080203 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

随着大数据时代的到来和图像编辑软件的发展,恶意篡改图片的数量出现井喷式增长,为了确保图像的真实性,众多学者基于深度学习和图像处理技术提出了多种图像篡改检测算法.然而,当前提出的绝大多数方法在面对大量图片的情况下,篡改检测速率较低且小面积篡改区域检测效果较差.为了有效解决这些问题,本文首次将基于区域的全卷积网络(Region-based Fully Convolutional Networks,R-FCN)引入双通道篡改检测网络,通过彩色图像通道提取图像的表层特征,使用隐写分析通道挖掘图像内部的统计特征,并利用双线性池化层将两个通道的信息融合,构建了一种面向实际应用场景的图像篡改检测模型.其中,利用R-FCN中位置敏感得分图提高图像篡改检测效率,使用双线性插值算法提高小面积篡改区域的检测率.通过在国际主流的标准图像篡改数据集上进行实验,有效地验证了该模型的图像篡改检测速率相比当前最新模型提高2.25倍,检测精度提升1.13%到3.21%,本文提出的模型是一种更加高效而精准的图像篡改检测模型.

引用

页码：370 / 383

页数：14

共 17 条

[1] Learning rich features for image manipulation detection . Zhou P,Han X,Morariu V I,et al. Proceedings of the Computer Vision & Pattern Recognition(CVPR) . 2018
[2] The Pascal Visual Object Classes (VOC) Challenge
Everingham, Mark
Van Gool, Luc
Williams, Christopher K. I.
Winn, John
Zisserman, Andrew
[J]. INTERNATIONAL JOURNAL OF COMPUTER VISION, 2010, 88 (02) : 303 - 338
[3] 数字图像取证技术[M]. 北京邮电大学出版社 , 周琳娜, 2008
[4] 基于残差提取滤波器特性分析的信息隐藏对抗研究[D]. 张浩杰.深圳大学 2017
[5] 鲁棒的区域复制图像篡改检测技术
骆伟祺
黄继武
丘国平
[J]. 计算机学报, 2007, (11) : 1998 - 2007
[6] “华南虎”照片的摄像测量研究
李立春
张小虎
刘晓春
桂阳
尚洋
李强
于起峰
[J]. 科技导报, 2008, (01) : 59 - 67
[7] 基于多预训练模型的在线隐写盲分析系统研究与实现
袁亚飞
卢伟
冯丙文
翁健
[J]. 网络与信息安全学报, 2017, 3 (05) : 32 - 37
[8] 卷积神经网络的发展及其在计算机视觉领域中的应用综述
陈超
齐峰
[J]. 计算机科学, 2019, 46 (03) : 63 - 73
[9] R-FCN:object detection via region-based fully convolutional networks . Dai J,Li Y,He K et al. NIPS’’16 Proceedings of the 29th International Conference on Neural Information Processing Systems . 2016
[10] Nist nimble 2016 datasets . https://www.nist.gov/itl/iad/mig/nimble-challenge-2017-evaluation .

← 1 2 →