选取最大间隔以实现拼接的鲁棒检测
信号处理
2024-09-09 v2
摘要
尽管拼接检测取得了进展，但由于一个关键问题，从业者仍然难以充分利用文献中的取证工具：基于深度学习的检测器对其训练实例极其敏感。对评估图像施加简单的后处理即可轻易降低其性能，导致在实际应用场景中对拼接检测器缺乏信心。在本研究中，我们表明深度拼接检测器在面对未知后处理时，对于不同的学习权重表现出不同的行为，即使其在与训练集同分布的测试集上取得了相似的性能。我们将这一观察结果与不同学习过程会产生不同潜在空间、从而以不同方式分离训练样本这一事实联系起来。我们的实验揭示了潜在间隔分布与检测器对后处理图像的泛化能力之间存在强相关性。因此，我们为从业者提供了一种构建深度检测器的方法，使其对后处理操作具有比其他检测器更强的鲁棒性，建议在不同条件下训练其架构并选取使潜在空间间隔最大化的模型。
引用
@article{arxiv.2409.03318,
title = {Pick the Largest Margin for Robust Detection of Splicing},
author = {Julien Simon de Kergunic and Rony Abecidan and Patrick Bas and Vincent Itier},
journal= {arXiv preprint arXiv:2409.03318},
year = {2024}
}