图像篡改检测之约束R-CNN方法

论文:CONSTRAINED R-CNN A GENERAL IMAGE MANIPULATION DETECTION MODEL (约束r-cnn:一种通用图像处理检测模型)
Code link:https://github.com/VedantWani/Constrained-R-CNN
R-CNN具有多任务输出的特性,其在定位篡改区域的同时,可以利用class输出端来预测篡改区域所属的篡改类型。
本文亮点:不仅可以定位篡改区域,还可识别篡改类型

2.1 架构

首先,可学习的操作特征提取器将从数据中直接学习独特的特征表示;之后,注意区域建议网络(RPN-A)有效地辨别出经历过处理的区域,为之后的操作分类以及粗略定位作准备;然后,融合了低级和高级的信息来细化全局的操作特征;最后,粗略定位信息指导模型来进一步地学习到更好的局部特征,并且把篡改过的区域分割出来。

2.2 方法概述

针对操纵技术分类问题,设计了基于约束的卷积层的可学习操作特征提取器(LMFE),直接从数据中产生各种内容操作的统一的特征表示。针对篡改区域分割问题,设计了一个两阶段的架构来模拟现实中从粗到细的取证过程。详细来说,使用了Mask R-CNN,包括了两个阶段:
一阶段:设计了注意区域建议网络(RPN-A),以识别经过篡改的区域,用于后面的操作技术分类以及粗略的定位。跳跃结构融合低级与高级的信息,增强了全局特征表示。来自第一阶段的边框信息(bounding box information)将指导第二阶段关注边框中的局部特征,用于最后的篡改区域分割。
二阶段:粗略地观察图像来进行近似篡改定位,而在精细阶段,则对特定的区域进行更加详细的分析,寻找更多的线索来对篡改区域进行分割。如下图,Constrained R-CNN由可学习操作特征提取器(LMFE),粗略操作检测(Stage-1),精细操作分割(Stage-2)组成。
在这里插入图片描述

LMFE模块捕获各种内容操作的伪造线索,并创建统一的特征表示。
Stage-1包含了注意区域建议网络(RPN-A)和预测模块,执行操纵技术的分类以及边框回归(bounding box regression)。
Stage-2跳跃结构融合多级信息,增强全局特征表示。作为先验知识,Stage-1的边框引导Stage-2聚焦局部特征,用于之后的操作分割。

2.3 约束卷积层

下图比较了SRM滤波器与约束卷积层的可视化结果,约束卷积层能够保留更丰富的信息,从篡改区域的细节上看,约束卷积层能够突出真实区域与篡改区域之间的噪声不一致性。
在这里插入图片描述

尽管约束卷积层能够捕捉到丰富的操纵线索,但会丢失大量的内容信息,比如颜色,亮度。内容信息的缺乏会削弱全局特征的类间区分,这会导致操纵分割也被削弱。因此,设计了注意区域建议网络来解决这个问题,能够让网络学习具有很强的类间区分能力的特征表示。具体来说,RPN-A添加了卷积块的注意机制(convolution block attention model,CBAM),CBAM能够沿着两个独立的维度,即空间维度与通道维度推断出两张注意力地图。然后将这两个注意力图与输入特征图相乘,得到更具区别性的特征。利用CBAM的特征图提出了关注区域,也就是潜在的篡改区域。

2.4 代码复现检测结果

测试结果如下
篡改图8张:(每张测试图中的四张图片分别为:输入原图、输入篡改区域的二值掩模、输出概率热图、输出检测结果 ):

2.1 2.1 2.1 2.1 2.2 2.3 2.4 3.1

未篡改图8张:每张测试图中的三张图片分别为:输入原图、输出概率热图、输出检测结果

图片太大无法上传抱歉,反正效果不咋地嘿嘿

  • 25
    点赞
  • 20
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
要实现关键点检测,可以使用Mask R-CNN网络结构。Mask R-CNN是在Faster R-CNN的基础上进行进的,增加了一个输出物体mask的分支,使其可以用于物体分割任务。\[3\]关键点检测是其中的一个应用。 在使用Mask R-CNN进行关键点检测时,需要对代码进行一些修以适应具体的任务。例如,在maskrcnn_benchmark/structures/keypoints.py文件中,可以根据自己的任务需求进行相应的修。\[2\] 关键点检测的效果可以通过使用mask进行可视化展示。通过训练Mask R-CNN网络,可以得到对输入图像中关键点的检测结果。这些关键点可以用于人体姿态检测等其他任务。\[3\] 总结来说,要实现关键点检测,可以使用Mask R-CNN网络结构,并根据具体任务需求对代码进行修。通过训练网络,可以得到关键点检测的结果,并应用于其他任务。 #### 引用[.reference_title] - *1* *2* [Maskrcnn-benchmark利用自己的数据进行目标检测和关键点检测](https://blog.csdn.net/ylq0505/article/details/102760946)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [Mask R-CNN 关键点检测](https://blog.csdn.net/shenhuaifeng/article/details/80286068)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“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 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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