RemNet：用于相机模型识别的残差卷积神经网络
图像与视频处理
2020-06-30 v3
摘要
相机模型识别（CMI）在图像取证中日益重要，因为数字篡改图像正变得愈发普遍。本文提出一种用于 CMI 的新型卷积神经网络（CNN）架构，重点在于被视为不可或缺的预处理任务——去除严重掩盖相机模型指纹的图像场景内容。与采用固定滤波器进行预处理的传统方法不同，所提出的残差块（remnant blocks）在与分类块耦合并端到端训练以最小化分类损失时，能够动态学习抑制不必要的图像内容。这有助于分类块从图像残差中提取更鲁棒的相机模型特定特征用于 CMI。整个网络称为 RemNet，由预处理块和浅层分类块组成，在 Dresden 数据库 18 个模型上训练时，对 16 个相机模型达到 100% 准确率，在来自未见设备的测试图像上总体准确率为 97.59%，优于 CMI 中使用的 SOTA 深度 CNN。此外，所提残差块与现有深度 CNN（如 ResNet、DenseNet）级联时，大幅提升了它们的性能。所提方法在识别源相机模型时表现出很强鲁棒性，即便原始图像经过后处理。其在 IEEE Signal Processing Cup 2018 数据集上也达到 95.11% 的总体准确率，表明其具有良好的泛化能力。
引用
@article{arxiv.1902.00694,
title = {RemNet: Remnant Convolutional Neural Network for Camera Model Identification},
author = {Abdul Muntakim Rafi and Thamidul Islam Tonmoy and Uday Kamal and Q. M. Jonathan Wu and Md. Kamrul Hasan},
journal= {arXiv preprint arXiv:1902.00694},
year = {2020}
}