A New Approach Towards General Purpose Image Manipulation Detection论文笔记

1、解决的问题:

图像操作通常会留下图像编辑类型所特有的痕迹,分析不同图像操作的痕迹,图像取证,检测图像篡改。

2、现有检测方法:

调整大小和重采样、中值滤波、对比度增强、多JPEG压缩等,但是这些检测的都是单个目标操作,还要融合多个取证检测的结果,并且为不同的图像操作创建取证检测器是一个困难和耗时的过程。

3、constrained CNN

普通的cnn网络倾向于学习图像的内容,而不适合学习与内容无关的篡改痕迹,所以提出了一种constrained CNN的方法,让其来学习低级的操作特征。
3.1、做法:
用constrained CNN提取预测残差特征(因为预测残差很大程度上不包含图像内容,因为残差就是篡改痕迹),把constrained CNN放到CNN开始处,然后从这些残差中形成更高层次的特征。这将抑制图像的内容,并自适应地学习最适合检测取证痕迹的低级残差特征;更高层次的取证特征是从深层CNN的残差中学习得到的。
3.2、损失函数:
在这里插入图片描述
其中yi *(k)和yi(k)分别是第k类第i个图像的真实标签和网络输出,输出层中有m个训练图像和c个神经元(CrossEntropy)

  • 3
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
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