具可解释性的图像伪造检测
计算机视觉与模式识别
2022-02-03 v1
摘要
本工作中，我们提出一种基于学习的方法，聚焦于卷积神经网络（CNN）架构以检测这些伪造。我们考虑对复制-移动伪造与基于修复的伪造的检测。为此，我们合成自己的大型数据集。除分类外，重点还在于伪造检测的可解释性。由于 CNN 分类给出图像级标签，理解被伪造区域是否确实对分类有贡献十分重要。为此，我们利用 Grad-CAM 热力图证明，在多个正确分类的示例中，被伪造区域确实是贡献于分类的区域。有趣的是，这也适用于小的伪造区域，正如我们结果中所展示的。此类分析也有助于确立分类的可靠性。
引用
@article{arxiv.2202.00908,
title = {Image Forgery Detection with Interpretability},
author = {Ankit Katiyar and Arnav Bhavsar},
journal= {arXiv preprint arXiv:2202.00908},
year = {2022}
}