基于级联卷积神经网络的图像篡改检测算法

被引：16

作者：

毕秀丽 ^{[1
]}

魏杨 ^{[1
]}

肖斌 ^{[1
]}

李伟生 ^{[1
]}

马建峰 ^{[2
]}

机构：

[1] 重庆邮电大学计算智能重点实验室

[2] 西安电子科技大学网络与信息安全学院

来源：

电子与信息学报 | 2019年 / 41卷 / 12期

基金：

国家重点研发计划;

关键词：

图像篡改检测; 级联卷积神经网络; 浅层稀神经元; 级联网络结构; 自适应筛选后处理;

D O I：

暂无

中图分类号：

TP391.41 []; TP183 [人工神经网络与计算];

学科分类号：

140502 [人工智能];

摘要：

基于卷积神经网络的图像篡改检测算法利用卷积神经网络的学习能力可以实现不依赖于单一图像属性的图像篡改检测,弥补传统图像篡改检测方法依赖单一图像属性、适用度不高的缺陷。利用深层多神经元的单一网络结构的图像篡改检测算法虽然可以学习更高级的语义信息,但检测定位篡改区域效果并不理想。该文提出一种基于级联卷积神经网络的图像篡改检测算法,在卷积神经网络所展示出来的普遍特性的基础上进一步探究其深层次的特性,利用浅层稀神经元的级联网络结构弥补以往深层多神经元的单一网络结构在图像篡改检测中的缺陷。该文提出的检测算法由级联卷积神经网络和自适应筛选后处理两部分组成,级联卷积神经网络实现分级式的篡改区域定位,自适应筛选后处理对级联卷积神经网络的检测结果进行优化。通过实验对比,该文算法展示了较好的检测效果,且具有较高的鲁棒性。

引用

页码：2987 / 2994

页数：8

共 3 条

[1]

Image Region Forgery Detection: A Deep Learning Approach.[J].Aditya Mathur;Abhik Roychoudhury;Ying Zhang;Jonathan Goh;Lei Lei Win;Vrizlynn Thing.Cryptology and Information Security Series.2016,

[2]

Using noise inconsistencies for blind image forensics [J].

Mahdian, Babak ;

Saic, Stanislav .

IMAGE AND VISION COMPUTING, 2009, 27 (10) :1497-1503

[3]

The Quickhull algorithm for convex hulls [J].

Barber, CB ;

Dobkin, DP ;

Huhdanpaa, H .

ACM TRANSACTIONS ON MATHEMATICAL SOFTWARE, 1996, 22 (04) :469-483

← 1 →