Copyright ?2013-2017 中國學(xué)術(shù)論文查重檢測系統(tǒng)入口 All Rights Reserved. 網(wǎng)站備案號：黔ICP備19012782號-3.
目前，對于（1）、（2）檢測的算法比較多，而針對（3）的算法比較少見，接下來我們將分析最近幾年使用深度學(xué)習(xí)解決上面幾個問題論文，從而分析該領(lǐng)域的當(dāng)前現(xiàn)狀、未來方向。 關(guān)于上述幾種篡改方法，圖像篡改檢測算法大致可以分為傳統(tǒng)算法和深度學(xué)習(xí)算法，傳統(tǒng)算法的特點是手工提取特征、建立模型、分析特征并分類；深度學(xué)習(xí)的算法主要通過使用CNN模型，提取特征，并通過Softmax分類，實現(xiàn)端到端（end-to-end）自適應(yīng)學(xué)習(xí)模式。 [2] 總結(jié)了這兩種算法的框架模型，基于深度學(xué)習(xí)模型數(shù)字圖像篡改分析架構(gòu)將像素作為輸入，并且由三種層組成：圖像處理層，用于特征表示的若干卷積層，以及用于分類的若干完全連接的層。
前言 今天閱讀的論文是《Learning Rich Featu re s for Image Ma nipula tio n Detectio n》這可以算是 圖像篡改檢測 領(lǐng)域的一部經(jīng)典之作。 Abstra ct 首先說明了 圖像篡改檢測 不同于顯著性 檢測 的一個很重要的區(qū)別在于：需要 學(xué)習(xí) 到更加豐富的特征 it pays mo re at- te n tio n to tamper ing ar ti fa ct s than to image con te nt, which sug ge sts that rich er featu re s need
這種方法產(chǎn)生的篡改圖像與常規(guī)篡改方式產(chǎn)生的圖像有很大區(qū)別，篡改區(qū)域與真實區(qū)域往往在統(tǒng)計特征、邊緣偽影等方面極為相似。 因此，如何提取有效特征將會是檢測的難點之一。 GAN框架由生成器和鑒別器構(gòu)成，二者都是深度學(xué)習(xí)網(wǎng)絡(luò)。 生成器負(fù)責(zé)生成真假難辨的圖像，鑒別器負(fù)責(zé)對圖像進(jìn)行鑒別，當(dāng)鑒別器無法鑒別出生成圖像的時候，圖像被輸出。 采用這種方式產(chǎn)生的圖像通常是常規(guī)深度學(xué)習(xí)網(wǎng)絡(luò)無法檢測出具體類別的，生成方法對于深度學(xué)習(xí)鑒別方法魯棒性很強(qiáng)。 因此如何設(shè)計有效的網(wǎng)絡(luò)結(jié)構(gòu)去學(xué)習(xí)人眼無法發(fā)現(xiàn)的篡改線索也是檢測的難點之一。 面對復(fù)雜的深度學(xué)習(xí)篡改圖像，研究者們從2017年起開始了逐步探索。 2017年Nicolas Rahmouni等人 [ 57 ]首次嘗試對計算機(jī)生成的篡改圖像進(jìn)行鑒別。
ManTra-Net網(wǎng)絡(luò)通過識別局部異常特征來判斷像素是否經(jīng)過篡改，可以識別多種類型的篡改（copy-move、splicing、remove、enhancement）。 本文提出的ManTra-Net主要包括兩個子網(wǎng)絡(luò)：manipulation-trace feature extractor和LADN (local anomaly detection network)。