随着深度学习模型中卷积神经网络深度和尺寸的日益增长,高额的存储空间、计算资源的消耗使其难以有效应用在各硬件平台上,因此,深度学习模型的压缩与加速成为了学术界和工业界的重点关注研究领域之一。
本章采用轻量级的卷积神经网络,构建了基于 MobileNetV2 和 SRM 的图像拼接篡改定位算法,其中 RGB 流用来提取图像篡改区域的边缘纹理特征,SRM 流用来提取篡改区域与真实区域的噪声特征,提取的双流图像特征经过改进的注意力机制后进行融合,最终输出图像的篡改区域 Mask。实验结果表明,模型在实现轻量化的同时也取得了较好的篡改区域分割结果,对于篡改图像检测的召回率也有较大提升。
目前,卷积神经网络在计算机视觉领域中得到了广泛应用,为了使模型在任务中达到更高的精度,模型的深度不断增加,ResNet 的深度已经达到了 152 层,这导致训练时所需要的存储空间和计算资源不断增加。对此,Google 的学者们提出了轻量级深度神经网络 MobileNet,目的是在保持模型性能的同时降低模型的大小,提升模型的检测速度。
.............................
第六章 总结与展望
6.1 研究工作总结
近年来,随着图像编辑软件的迅速发展和普及,处理图像的成本不断降低,人们可以轻易改变图像内容并不留下明显的视觉痕迹,恶意的篡改图像将对社会稳定、诉讼取证、国家政治安全等方面造成巨大的影响。因此,检测篡改图像的取证以及篡改区域的定位具有较大的研究价值。
本文的工作主要是基于深度学习的数字图像操作篡改检测以及图像篡改区域定位的取证研究。开篇先介绍了数字图像取证的研究背景和意义,并简要介绍了数字图像取证技术的相关方法,接着对深度学习的相关理论知识进行了介绍,最后围绕数字图像操作篡改检测以及图像篡改区域的定位展开研究,本文的主要贡献点如下:
1. 针对数字图像取证技术,本文系统论述了国内外关于图像操作篡改检测以及图像篡改区域定位检测的相关方法,从传统方法和深度学习方法这两个角度对现有的图像操作取证算法和篡改区域定位算法进行了总结,并分析了不同方法的优缺点。
2. 针对图像操作篡改检测,本文提出了基于 SRM 和残差网络的图像操作篡改检测算法,由于图像操作并不会改变图像的内容信息,模型中使用 SRM 滤波器和约束性卷积核来组成预处理层,从而在提取图像噪声特征的同时抑制模型对于图像内容的学习。此外,模型中还包含多尺度卷积层和残差模块。通过实验分析,本文提出的方法能有效识别出五种篡改操作后的篡改图像,且检测精度高于其他的对比算法,并能有效地检测出拼接篡改图像和复制粘贴篡改图像。
3. 在图像篡改取证研究中,为了进一步定位图像的篡改区域。本文提出了基于DeepLabV3+的多任务图像拼接篡改定位算法,利用全卷积网络所具备的精确物体分割能力,把 DeepLabV3+中的多物体分类问题转换为了篡改区域的定位问题。在模型中融合了自注意力机制,增强了网络对于重要特征的敏感性,此外,模型中还有一个用来预测图像篡改区域边界的分支网络,增强了模型对于篡改区域边界的关注度。实验结果表明,本文算法可以精确定位图像中的篡改区域,在 CASIA v1.0、Columbia 数据集中的定位精度优于其他的对比算法,对于篡改图像检测的召回率也有较大提升。
参考文献(略)