面向图像取证的学习变换感知嵌入
计算机视觉与模式识别
2020-01-15 v1
摘要
互联网上被篡改图像内容的流动急剧增加,引发了媒体取证研究界的积极回应。新的研究努力越来越多地结合计算机视觉和机器学习技术来检测和刻画图像篡改的空间。本文探讨图像来源分析(Image Provenance Analysis),旨在发现共享内容的不同篡改图像版本之间的关系。来源分析中一个尚未被直接解决的主要子问题是那些共享全部内容或近似重复图像之间的编辑排序。现有的用于目标识别等任务生成图像描述符的大型网络可能无法编码这些图像协变量之间的细微差异。本文提出了一种基于深度学习的新方法,为通过变换从单幅图像生成的图像提供合理的排序。我们的方法利用复合变换的弱监督和基于排序的四元组损失来学习变换感知描述符。为确立所提方法的有效性,我们与最先进的基于手工设计和基于深度学习描述符以及图像匹配方法进行了比较。进一步的实验验证了所提方法在图像来源分析背景下的有效性。
引用
@article{arxiv.2001.04547,
title = {Learning Transformation-Aware Embeddings for Image Forensics},
author = {Aparna Bharati and Daniel Moreira and Patrick Flynn and Anderson Rocha and Kevin Bowyer and Walter Scheirer},
journal= {arXiv preprint arXiv:2001.04547},
year = {2020}
}
备注
Supplemental material for this paper is available at https://drive.google.com/file/d/1covDhaTN24zkmyQf1XCTZHNrUZdZqGyo/view?usp=sharing