用于重采样检测的多块聚合模型
计算机视觉与模式识别
2020-04-29 v1
摘要
如今拍摄的图像尺寸各异，智能手机与单反相机允许用户从可用图像分辨率列表中选择。因此，诸如重采样检测等取证算法必须良好适应不同尺寸的图像。然而，在我们的实验中观察到，许多SOTA取证算法对图像大小敏感，尽管使用多种图像尺寸重新训练，其在不同尺寸图像上的性能仍迅速退化。为处理该问题，我们提出了一种称为迭代池化（ITERATIVE POOLING）的新池化策略。该池化策略可在离散情形下动态调整输入张量，且不像ROI最大池化那样造成大量信息损失。该池化策略可用于任何现有深度模型，为演示其效用，我们展示了其在Resnet-18上用于重采样检测（任何图像操纵所寻求图像的基本操作）的情况。与现有策略及最大池化相比，其在公共数据集上带来了高达7-8%的提升。
引用
@article{arxiv.2003.01364,
title = {multi-patch aggregation models for resampling detection},
author = {Mohit Lamba and Kaushik Mitra},
journal= {arXiv preprint arXiv:2003.01364},
year = {2020}
}
备注
6 pages; 6 tables; 4 figures