Exploiting Spatial Structure for Localizing Manipulated Image Regions

最新推荐文章于 2022-09-04 16:34:12 发布
最新推荐文章于 2022-09-04 16:34:12 发布
阅读量585 收藏
点赞数
分类专栏： cv 文章标签： 深度学习 神经网络 pytorch
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/120020473
版权

Exploiting Spatial Structure for Localizing Manipulated Image Regions

ICCV 2018

篡改边缘特征

在这里插入图片描述

部分的篡改图像，根本就不符合逻辑，不符合图像的基本语义信息。
剩下的大部分的图像篡改，通过放大图像就可以被人眼识别出来。

这是篡改水平决定的。

一般而言，为了边缘的平滑过度，不被人眼识别出怪异，一般在图像篡改后进行边缘的平滑。
因此，放大边缘，一般有锯齿的是真实图像，而很明显的没有锯齿痕迹的往往是篡改图像。欲盖弥彰。

网络结构图

在这里插入图片描述

  • 第一步：从原图取patch 64 * 64 * 3
  • 第2步： 对每个batch卷积
  • 第3步 ：对特征层 选1层 64 * 64 * 1 分为小block,8 * 8 依次输入到LSTM（这一步描述的不是很清楚，需要看代码理解）

Loss

对于ｂａｔｃｈ的LOSS

针对的预测是Patch labels ,像是交叉熵loss
在这里插入图片描述

对于单像素的Loss

就是交叉熵loss
在这里插入图片描述

在这里插入图片描述
最终计算的loss为二者简单相加

结果

在这里插入图片描述
那个CRF RNN 是语义分割模型的结果，不知道作者说半天语义分割是想要表达什么。

由于算法加入了块的预测，并由块的分类结果影响了像素的预测结果，所以会在其中由一些明显的割裂感，是这个小块被预测为正确块的影响，导致了整个小块全部被更改为正确。

由大而小，分而治之的思想。这种做法理论上还是很有道理的，不知道实际做出来效果怎么样，这篇算法没有测试过。
下面的链接感觉是这篇算法的代码。

https://github.com/souravdas1/Image-Splicing-Localization/blob/a1150a1a76f40467f0a2c6f735e8ab3871cce8fa/Image_Splicing_Localization.py

在这里插入图片描述

brightendavid
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
白噪声检测_PaperReadingGroup-2-篡改检测小综述
weixin_42291186的博客
01-06 302
本文将总结近几年基于深度学习方法的对图像篡改检测问题的研究。一、定义要了解图像篡改检测，我们首先需要了解何谓“图像篡改”。篡改在英文文献中常用manipulation、tamper、forgery这三个词表达。广义上的图像篡改指的是对原始图像做了改动的操作，这种改动操可以是：图像格式转换、高斯模糊、接缝剪裁（seam carving）、利用GAN网络改动等等，如下图所示：上图为jpg格式转png操...
Exploiting Spatial Structure for Localizing Manipulated Image Regions论文阅读记录
weixin_44576543的博客
01-12 403
摘要： 深度学习在目标检测方法取得巨大的成功，与语义分割不同，篡改取证更注重篡改取的定位，为了定位篡改区域使用cnn-LSTM框架建模，利用篡改区域边界差异形成篡改区域定位框架 4实验部分 确定图像块是否篡改并分割篡改区域两个任务，在此三个数据集上实验three datasets- NIST [3],IEEE Forensics Challenge [2], COVERAGE [57]. 图像块的分类和语义分割是同时进行的，NIST包含三种篡改类型 复制粘贴、删除、拼接。COVERAGE同样..
图像篡改入门02 利用空间结构篡改定位
qq_44173144的博客
09-04 945
图像篡改入门02 利用空间结构篡改定位
Identifying Manipulated Images
jq_whh的专栏
05-25 524
文章摘自：http://www.technologyreview.com/Infotech/20423/?a=fPhoto-editing software gets more sophisticated all the time, allowing users to alter pictures in ways both fun and fraudulent. Last month, for example, a photo of Tibetan antelope roaming alongside a
ICCV2017 论文浏览记录
weixin_33817333的博客
11-07 1678
之前很早就想试着做一下试着把顶会的论文浏览一遍看一下自己感兴趣的，顺便统计一下国内高校或者研究机构的研究方向，下面是作为一个图像处理初学者在浏览完论文后的 觉得有趣的文章： ICCV2017 论文浏览记录 1.google deepmind :Look, Listen and Learn 多信息融合感觉很厉害 2.The Wei...
Probabilistic graphlet cut: Exploiting spatial structure cue for weakly supervised image segmentation
02-09
Probabilistic graphlet cut: Exploiting spatial structure cue for weakly supervised image segmentation
Image Classification by Exploiting the Spatial Context Information
02-09
Finding the effective image representation is an important problem for classification. Previous ap-proaches have demonstrated the utility of the bag-of-feature (BoF) models. These methods are inter-...
Exploiting Deep Features for Remote Sensing Image Retrieval
09-16
深度学习方法在图像检索上的应用 Exploiting Deep Features for Remote Sensing Image Retrieval 图像检索——从视觉特征、相似性度量、相关性反馈三个核心方面提出RS图像特征提取的基准（武大）
Exploiting Reflection Change for Automatic Reflection Removal
05-30
Exploiting Reflection Change for Automatic Reflection Removal.去除像反光
Learning salient visual word for scalable mobile image retrieval
02-09
Taking the limited bandwidth and instability of wireless channel into account, in this paper we propose an effective scalable mobile image retrieval approach by exploiting the advantage of mobile end...
ICCV 2017 paper
qq_34848537的博客
10-08 5163
参考链接 ICCV 2017 open access Paperlist Globally-Optimal Inlier Set Maximisation for Simultaneous Camera Pose and Feature Correspondence Robust Pseudo Random Fields for Light-Field Stereo Matching A L...
【学习】FaceForensics++: Learning to Detect Manipulated Facial Images
Reddoge_的博客
01-03 9913
论文题目：FaceForensics++: Learning to Detect Manipulated Facial Images 翻译：FaceForensics ++：学习如何检测被操纵的面部图像 作者： Andreas Rossler ^1 Davide Cozzolino^2 Luisa Verdoliva^2 Christian Riess^3 Justus Thies^1 Matth...
Tensorflow版图像篡改检测网络实现：Image manipulation detection
热门推荐
weixin_43380510的博客
03-14 1万+
Tensorflow版Image_manipulation_detection项目简介与来源问题及解决方案 项目简介与来源 论文: CVPR2018, Learning Rich Features for Image Manipulation Detection 代码: https://github.com/LarryJiang134/Image_manipulation_detection b...
图像篡改常用数据集casia
brightendavid的博客
08-28 5975
摘自论文 CASIA IMAGE TAMPERING DETECTION EVALUATION DATABASE 2013年发表的论文。 CASIA 数据集是Institute of Automation, Chinese Academy of Sciences 国人所作，中科院自动化研究所。 就图像篡改数据集而言，是相对其他任务更加容易获得的，单张篡改图像的制作难度很低，但是多样的篡改数据，适合训练的篡改数据难以制作。但是制作数据集的难度还是比较低的。所以会有不少人自己做数据集训练。 CASIA 和C.
CAT-Net: Compression Artifact Tracing Network 算法测试
brightendavid的博客
08-24 2766
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 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。 安装库版本 这些在requirements文件里面都有 torch==1.1.0 Cython pyyaml yacs>=0.1.5 tqdm torch_dct pil.
可能有用的篡改检测常识
brightendavid的博客
08-15 1934
Deep learning-based Technique for Image Tamper Detection 图像篡改检测方向的2021年的综述，主要介绍一些深度学习方法的优缺点。但是逻辑方面感觉有点不对。 Proceedings of the Third International Conference on Intelligent Communication Technologies and Virtual Mobile Networks (ICICV 2021). IEEE Xplore .
PSCC-Net: Progressive Spatio-Channel Correlation Network for Image Manipulation Detection and Locali
brightendavid的博客
07-31 1664
arXiv 2021 Mar 图像的篡改检测分为隐式检测和显式检测 隐式检测 说明了图像整体篡改的概率 显式检测 说明逐像素篡改的概率 即判定一张图片是否经过篡改 和 像素级别的定位篡改 近年来的算法太过于关注像素级的定位，而忽略了图片整体的篡改概率。 但是就信息量而言，定位的信息已经包括了图片整体的篡改概率了。 比如说，要说明一个人是坏人，首先要说明他干了什么坏事才对。 指出人干了什么坏事，说明是坏人 一般的图像篡改检测算法输出的Pred 不是一个二值化的分类mask图像，而是在0-255
CAT-Net: Compression Artifact Tracing Network for Detection and Localization of Image Splicing
brightendavid的博客
08-06 1368
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，
exploiting cloze questions for few shot text classification and natural language inference
最新发布
04-06
题目翻译：利用填空题进行少样本文本分类和自然语言推理。 这篇论文使用填空题来辅助进行少样本文本分类和自然语言推理任务。作者利用已有的模型预测填空题的答案，并将预测结果作为样本的特征。...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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