摘要:提出Mantra-Net端到端的深度学习框架用于现实生活中的篡改取证,并不包含前后处理操作具有检测和定位 的功能,包括拼接、复制粘贴、移除、增强等未知类型。提出一种可以检测385中类型的篡改痕迹检测简单高效的自监督模型,把图像篡改当做异常检测,实验证明其应对多种篡改操作的组合。
5、实验部分
以上部分已经说明了篡改痕迹特征和异常检测网络,在标注数据集中评估其泛化性能、敏感性、鲁棒性能等,使用AUC作为性能评估标准,由于网络中少部分原始像素错误认为篡改像素,在网络中并未得到惩罚(一定程度上会造成误检过高),因此如果mask出现一半以上的篡改区域,我们则不认同。参考文献(Fighting fake news: Image splice detection via learned self-consistency)
5.1预训练模型和一般性测试
在四个数据库中评估,为了评估这些模型的可推广性,选择最新的部分cnn的图像修复算法,作为一种典型的基于域外dnn的操作。另外使用 Photoshope-battle数据集,因为数据集较大具有多样性,并未像素级的标注,我们评估时候是图像水平的评判。
从表7中可以看出,用全随机权重训练的全随机模型不能很好地泛化,因为它过度拟合合成数据,而使用的合成数据集中呈现的伪造线索与现实世界中的有很大不同。通过冻结图像处理痕迹特征(IMTF)和随机LADN权重训练的半冻结模型可以防止这种情况的发生过拟合,但这也打消了寻找更好功能的希望<