LKA-EfficientNet:大数据背景下融合大核注意力卷积的轻量化图像篡改定位算法

作     者：王宏 钱清 王欢 龙永 

作者机构：贵州财经大学信息学院 

出 版 物：《计算机应用》 (Journal of Computer Applications)

年 卷 期：2023年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金资助项目(61902085) 贵州省科技计划项目(黔科合基础-ZK一般311) 贵州省教育厅自然科学基金资助项目(黔教合KY字136) 

主　　题：图像篡改检测 轻量化网络 注意力机制 多尺度特征金字塔 被动取证 

摘      要：卷积神经网络因辨识度高、易于理解、可学习性强而被用于图像取证，但其固有的感受野增加缓慢、忽略长端依赖性、计算量庞大等特点使得深度学习算法的精度与轻量化部署效果并不理想，使其不适用于以轻量化形式实现图像篡改定位的场景。为解决上述问题，提出一种基于轻量化网络的图像复制-粘贴篡改检测算法——LKA-EfficientNet(LargeKernel AttentionEfficientNet)。LKA-EfficientNet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。首先将输入图像经过基于大核注意力卷积的基干网络，处理后得到候选特征图；随后使用不同尺寸的特征图构建特征金字塔进行特征匹配；最后将特征匹配后的特征图进行融合定位图像篡改区域。此外，LKA-EfficientNet使用三元组交叉熵损失函数进一步提升算法定位篡改图像的精度。对LKA-EfficientNet进行了实验验证。实验结果表明LKA-EfficientNet与同类型的Dense-InceptionNet算法相比，不仅能够降低29.5%的理论计算量，F1精度也提高了4.9%，验证了LKA-EfficientNet可以在保持高检测性能的同时降低计算量。