CAT-Net: Compression Artifact Tracing Network 算法测试

最新推荐文章于 2024-12-12 01:00:00 发布
最新推荐文章于 2024-12-12 01:00:00 发布
阅读量3.2k 收藏 9
点赞数 3
分类专栏： cv 文章标签： 算法 pytorch 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/brightendavid/article/details/119882015
版权
本文介绍了WACV2021论文中的CAT-Net算法，用于图像篡改检测。虽然在CASIA V2数据集上表现惊艳，但在COVERAGE数据集上泛化能力不足。测试中发现，算法对旋转的抗干扰性能有限，超过180度时检测效果下降。权重文件需从谷歌或百度云下载，并注意输出尺寸和分辨率的变化。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

2021年的开源图像篡改检测算法还是很难找的

这篇文章是 WACV2021 paper,作者是韩国人。

WACV据说是仅次于CVPR等的顶会。

https://github.com/mjkwon2021/CAT-Net
这个东西直接在github 上面搜索名字竟然搜不到。
但是会出现readme文档，在这个readme文档中点进去才会出现代码。

算法训练使用的数据集

最好不要使用下面的数据集进行测试
在这里插入图片描述
在这里插入图片描述

对于一个培训集 使用以下数据集
auth.表示未篡改图像;tamp.表示篡改图像

  • CASIAv2(auth./tamp.)
  • Fantastic Reality(auth./tamp.)
  • IMD2020（tamp）
  • splicing COCO（tamp.)

在这里插入图片描述

安装库版本

这些在r

最低0.47元/天 解锁文章
【论文笔记】CAT-Net: Compression Artifact Tracing Network for Detection and Localization of Image Splicing
weixin_45366180的博客
03-01 3976
检测和定位图像拼接已经成为打击恶意伪造的重要手段。局部拼接区域的一个主要挑战是区分真实和篡改的区域的固有属性，如压缩伪迹。我们提出了CAT-Net，一个包含RGB和DCT流的端到端全卷积神经网络，以共同学习RGB和DCT域压缩伪影的取证特征。每个流考虑多重分辨率来处理拼接对象的各种形状和大小。DCT流在双JPEG检测时被预先训练以利用JPEG伪影。该方法在JPEG或非JPEG图像的局部拼接区域的定位上优于最先进的神经网络。提出了对给定图像上的拼接区域进行定位的CAT-Net。
CAT-Net: Compression Artifact Tracing Network for Detection and Localization of Image Splicing
brightendavid的博客
08-06 1593
图像篡改检测的定位分为三类： 基于块的检测 ，补丁检测，和像素级的检测 视觉线索和压缩伪影：可以作为两个依据来判定图像的篡改 视觉线索即像素之间的关系。对于单纯把视觉线索作为网络检测标准的网络，把复制粘贴到纯色背景的情况是绝对检测不出来的。在表格篡改和标语篡改中，这种情况还是很常见的。 而压缩伪影：特指Jpg压缩所用的DCT矩阵，一般还是识别jpg双压缩线索比较常见。ELA之类的。 池化：研究表明不适合图像的篡改检测，强化图像的内容，抑制噪声信号。池化可能在cv的其他领域的效果不错，但是在图像篡改检测邻域，
CATNET：更加分散的网络，更现代
02-17
网络 CATnet是用于更现代时代的功能更强大的网络。 该存储库保存守护程序和服务器的源代码，而不包含客户端的源代码。 规格 是我们的规格文件（Alpha）的链接。
FS【2】：CAT-Net
BUPTer
02-03 1051
本文来自港科陈浩老师组发表在 MICCAI23 上的一篇有关 few-shot 在医学图像上的应用。方法简洁高效，可供参考。插一句题外话，医学图像做 few-shot 主要基于腹部器官的 3 个数据集，期待后续可以见到一些在更多数据集上更通用更有效的方法。本文提出了一种基于交叉掩码注意力的少样本医学图像分割新框架CAT-Net通过挖掘support和query图像之间的相关性，并限制模型仅关注有用的前景信息，来提高support和query特征的表达能力。
CVPR2017论文摘要汇总
热门推荐
super_chicken的博客
04-09 1万+
1. Exclusivity-Consistency Regularized Multi-view Subspace Clustering Abstract: Multi-view subspace clustering aims to partition a set of multi-source data into their underlying groups. To boost the ...
ICCV2017论文摘要汇总
super_chicken的博客
04-18 6993
1. Globally-Optimal Inlier Set Maximisation for Simultaneous Camera Pose and Feature Correspondence Abstract: Estimating the 6-DoF pose of a camera from a single image relative to a pre-computed 3D p...
CAT-Net模型详解
cxrcc的博客
10-29 1423
CAT-Net模型是一个包含RGB流和DCT流的端到端全卷积神经网络，用于识别和定位图像中的拼接区域。接下来，我将先介绍CAT-Net的整体模型结构，然后再逐个模块进行讲解
CAT的.NET客户端CAT.NET.zip
07-16
CAT.NET 是 CAT 的 .NET 客户端。
CAT.NET 使用
weixin_30617561的博客
02-22 1735
http://msevents.microsoft.com/CUI/WebCastEventDetails.aspx?EventID=1032438061&EventCategory=4&culture=en-US&CountryCode=US 转载于:https://www.cnblogs.com/zhuispeed/archive/2010/02/22/1671419....
CAT-Net复现保姆级教程（更新中
qq_55552561的博客
10-16 805
版本太低了，conda和pip没有办法直接安装，去PyTorch 官方提供的历史版本页面下载（CAT-Net:用于图像拼接检测和定位的压缩伪迹跟踪网络。conda创建虚拟环境并激活。到这里就完成环境的配置了。发布于WACV2021。按照项目要求配置环境。
图像篡改检测数据集整理
LIN的博客
08-09 1261
图像篡改检测数据集整理
【论文笔记】CFL-Net: Image Forgery Localization Using Contrastive Learning
weixin_45366180的博客
03-13 2562
传统的伪造定位方法的缺点是过度拟合和只关注少数特定的伪造痕迹。我们需要一种更通用的图像伪造定位方法，能够很好地适应各种伪造条件。底层伪造区域定位的一个关键假设是，无论伪造类型如何，每个伪造图像样本中未被篡改和被篡改区域的特征分布都存在差异。在本文中，我们的目标是利用这种差异特征分布来帮助图像伪造定位。具体来说，我们使用对比损耗来学习映射到一个特征空间，在该空间中，每个图像的未篡改区域和被篡改区域之间的特征被很好地分离。此外，该方法不需要对伪造类型进行任何先验知识或假设，就可以对伪造区域进行局部定位。
【论文笔记】GCA-Net : Utilizing Gated Context Attention for Improving Image Forgery Localization and Detec
weixin_45366180的博客
02-06 2701
对被操纵像素的取证分析需要从图像中识别各种隐藏的和微妙的特征。传统的图像识别模型通常无法完成这一任务，因为它们偏向于并且更关注占主导地位的局部和空间特征。本文提出了一种新的门控上下文注意力网络（GCA-Net），它利用非局部注意力结合门控机制来捕获更精细的图像差异，从而更好地识别伪造区域。该框架在解码过程的各个阶段使用高维嵌入从粗糙特征映射中过滤和聚合相关上下文。这提高了网络对全局差异的理解，减少了假阳性的定位。
MSMG-Net: Multi-scale Multi-grained Supervised Networks for Multi-task Image Manipulation Detection
weixin_43780665的博客
04-17 1039
摘要：近年来，随着图像编辑技术的飞速发展，图像篡改所带来的安全风险越来越大，图像篡改检测受到了广泛的关注。为了解决这些问题，提出了一种新型的多尺度多粒度深度网络(MSMG-Net)来自动识别被操纵区域。在我们的MSMG-Net中，采用并行的多尺度特征提取结构来提取多尺度特征。然后通过引入分流自注意，利用多粒度特征学习来感知多尺度特征的对象级语义关系;为了融合多尺度多粒度特征，采用自底向上的方法设计了全局和局部特征融合块用于操作区域分割，采用自顶向下的方法设计了多级特征聚合块用于边缘部分检测。 因此，MSM
CTA-Net: 一种改进多尺度特征提取的CNN-Transformer聚合网络
最新发布
Together_CZ的博客
12-12 4041
CTA-Net: A CNN-Transformer Aggregation Network for Improving Multi-Scale Feature Extraction CTA-Net: 一种改进多尺度特征提取的CNN-Transformer聚合网络
计算机视觉技巧合集（五）完全版dataset类之目标检测篇
qq_40691600的博客
06-28 295
前2篇介绍了常用的数据增强方法，那么如何将这些方法用在dataset类中呢？这一篇将具体地实现一个使用数据增强的目标检测dataset类。这种定制的dataset类的设计思路一般是先分别读取出图像和标签，然后设计一个最简单的dataset类，可以完成输出单个样本的任务，最后将数据增强方法加入其中，并根据不同的数据增强方法的特征以及之间相互影响的关系，对多个数据增强方法排列组合，构成一个合理的数据增强流水线。这样做的话，我觉得应该是可以比较清晰地实现一个自己的dataset类。
LLM时代，数据为王，19个开源数据集下载网站汇总
qq_34144750的博客
12-08 1万+
链接：https://www.microsoft.com/en-us/research/tools/希望以上开源数据集网站清单，能对您训练大模型有所帮助，持续关注开源数据集，为持续大模型输送语料。链接：https://openi.pcl.ac.cn/explore/datasets。链接：https://www.heywhale.com/home/dataset。链接：https://tianchi.aliyun.com/dataset/链接：https://data.baai.ac.cn/data。
Netcat强大的网络工具
jzm__123的博客
12-12 469
v 端口信息 -vv 更详细的端口信息 -e 执行程序 -n 只识别ip不解析DNS。Netcat是相较于Nmap下的很实用的网络软件在大部分系统中以nc简称(后文都以nc为代表)-l 设置监听端口 -L 设置nc处于待连接，并且在服务端断开依然等待 -p 本地的端口号。-s :addr 设置nc 的源地址，隐藏自己 （就是编造我的ip告诉目标电脑达到欺骗的效果）如果你希望成功，以恒心为良友，以经验为参谋，以小心为兄弟，以希望为哨兵。基本的线上聊天:这里端口以8888为例子。
评论 19
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值