Constrained R-CNN：一种通用的图像篡改检测模型
计算机视觉与模式识别
2020-03-17 v3 多媒体
摘要
近年来，基于深度学习的模型在图像篡改检测中表现出卓越性能。然而，大多数模型受限于手工或预定特征通用性差的缺陷，且只关注篡改定位而忽略篡改分类。为解决这些问题，我们提出一种由粗到精的架构 Constrained R-CNN，用于完整而准确的图像取证。首先，可学习的篡改特征提取器直接从数据中学习统一的特征表示。其次，注意力区域提议网络有效区分篡改区域，用于后续篡改分类与粗定位。然后，跳跃结构融合低层与高层信息以细化全局篡改特征。最后，粗定位信息引导模型进一步学习更精细的局部特征并分割出篡改区域。实验结果表明，我们的模型达到了最先进（SOTA）性能。尤其在 NIST16、COVERAGE 和 Columbia 数据集上，F1 分数分别提升了 28.4%、73.2%、13.3%。
引用
@article{arxiv.1911.08217,
title = {Constrained R-CNN: A general image manipulation detection model},
author = {Chao Yang and Huizhou Li and Fangting Lin and Bin Jiang and Hao Zhao},
journal= {arXiv preprint arXiv:1911.08217},
year = {2020}
}
备注
Accepted to IEEE International Conference on Multimedia and Expo (ICME2020)