DenseNet在相机模型辨识与后处理检测中的应用
图像与视频处理
2019-05-28 v2 信号处理
摘要
随着通过网站、媒体和社交应用不断分享的数字篡改图像激增，相机模型辨识在图像取证领域已变得至关重要。但是，若图像缺失元数据和/或经过后处理，辨识任务就颇具挑战性。本文提出一种DenseNet流水线来解决图像源相机模型辨识问题。我们的方法是从带标签的图像数据集中提取256*256的图像块并施加增广，即经验模态分解（EMD）。我们使用该扩展数据集以DenseNet-201架构训练神经网络。我们将3种不同尺寸（64*64、128*128、256*256）的输出特征拼接，并传入一个次级网络以作出最终预测。该策略对于辨识源相机模型非常鲁棒，即便原始图像经过后处理。我们的模型已在为IEEE信号处理（SP）杯2018提供的取证相机模型辨识数据集上训练和测试。测试期间我们取得了98.37%的总体准确率，这是该数据集上目前使用单一模型的state-of-the-art。我们采用迁移学习并在Dresden数据库上测试模型，对19个模型的总体测试准确率超过99%。此外，我们证明所提流水线适用于其他图像取证分类任务，例如以96.66%的准确率检测图像所施加的后处理类型——这表明了我们方法的通用性。
引用
@article{arxiv.1809.00576,
title = {Application of DenseNet in Camera Model Identification and Post-processing Detection},
author = {Abdul Muntakim Rafi and Uday Kamal and Rakibul Hoque and Abid Abrar and Sowmitra Das and Robert Laganière and Md. Kamrul Hasan},
journal= {arXiv preprint arXiv:1809.00576},
year = {2019}
}