《Learning Rich Features for Image Manipulation Detection》论文 阅读笔记

【论文介绍】

本文来自CVPR 2018，在Faster R-CNN网络的基础上提出了双流的Faster R-CNN网络，并且将其应用到图像的篡改检测上

【方法的提出】

• 目前篡改手段越来越多，也越来越高级，有些在对图片进行了篡改之后会对图片进行高斯平滑、压缩等后处理，导致很难识别出被篡改的区域
• 目前存在的一些检测技术也存在一些局限性，例如LSTM体系结构、局部噪声特征+CFA模式，这些方法大多集中于特定的篡改伪影，并仅限于特定的篡改技术

• 本文提出了双流的Faster R-CNN网络，本文使用全局视觉篡改伪影以及局部噪声特征来建模更丰富的篡改伪影，本文使用一个建立在更快的R-CNN上的双流网络来学习丰富的图像操作检测特征。该网络对拼接、复制移动和删除具有鲁棒性。此外，该网络使我们能够对可疑的篡改技术进行分类
• 本文还使用这些SRM滤波器内核来提取低级噪声，用作Faster R-CNN网络的输入，并学习从噪声特征中捕获篡改痕迹。此外，还联合训练一个并行的RGB流来建模中级和高级的视觉篡改伪影

【Method】

• Faster R-CNN网络

卷积层：用于提取图片的特征。输入为整张图片，输出为提取出的特征feature maps。

其中，所有的conv层：kernel_size=3,pad=1,stride=1

          所有的pooling层：kernel_size=2,pad=0,stride=2

conv层和relu层不改变图片输入输出大小

pooling层使输出长宽都变为输入的1/2