使用多任务全卷积网络(MFCN)的图像拼接定位
计算机视觉与模式识别
2018-02-26 v1
摘要
在这项工作中，我们提出一种利用全卷积网络(FCN)来定位图像拼接攻击的技术。我们首先评估了仅在表面标签上训练的单任务FCN(SFCN)。尽管SFCN表现出优于现有方法的性能，但在某些情况下仍提供粗粒度的定位输出。因此，我们提出使用多任务FCN(MFCN)，它利用两个输出分支进行多任务学习。一个分支用于学习表面标签，而另一个分支用于学习拼接区域的边缘或边界。我们使用CASIA v2.0数据集训练网络，并在CASIA v1.0、Columbia Uncompressed、Carvalho以及DARPA/NIST Nimble Challenge 2016 SCI数据集上测试训练好的模型。实验表明SFCN和MFCN优于现有的拼接定位算法，且MFCN能比SFCN实现更精细的定位。
引用
@article{arxiv.1709.02016,
title = {Image Splicing Localization Using A Multi-Task Fully Convolutional Network (MFCN)},
author = {Ronald Salloum and Yuzhuo Ren and C. -C. Jay Kuo},
journal= {arXiv preprint arXiv:1709.02016},
year = {2018}
}
备注
This manuscript was submitted for publication