基于双通道R-FCN的图像篡改检测模型
Dual-Channel R-FCN Model for Image Forgery Detection作者机构：上海电力大学计算机科学与技术学院 国网兰州供电公司互联网部信息通信安全实验室 华东师范大学数据科学与工程研究院 华东师范大学软件学院上海市高可信计算重点实验室
出 版 物：《计算机学报》 (Chinese Journal of Computers)
年 卷 期：2021年第44卷第2期
页 面：370-383页
核心收录：
学科分类：0810[工学-信息与通信工程] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0839[工学-网络空间安全] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）]
基 金：国家自然科学基金(面上项目 重点项目)(61772327,61532021) 国网甘肃省电力公司电力科学研究院横向项目(H2019-275)资助~~
主 题：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
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.
同方期刊数据库