提高图像篡改检测区域选取性能的FCR-CNN模型

摘要：

图像篡改检测不同于目标检测,篡改检测更加关注篡改伪像这一目标而非图像内容本身,需要学习更加丰富的特征.为提高图像篡改检测区域选取性能,提出一种将特征金字塔网络(feature pyramid networks,FPN)模型与级联区域卷积神经网络(cascade region-convolutional neural networks,Cascade R-CNN)模型相结合的FCR-CNN模型.首先将FPN模型提取的多尺度篡改特征输入到区域建议网络(region proposal network,RPN),然后由RPN输出篡改分类分数和区域建议框,最后将区域建议框输入到3阶段Cascade R-CNN进行检测.此外,系统地对FCR-CNN模型的损失函数进行了分析.基于CASIA,Columbia和NC2016数据集,与其他算法进行对比实验,结果表明,FCR-CNN模型能够有效地检测与定位篡改区域;其中,在CASIA数据集上,其与FPN模型和Cascade R-CNN模型相比,F1分数分别提高了6.0％和7.5％.

关键词：图像篡改检测、特征金字塔网络、级联区域卷积网络、区域建议框

所属期刊栏目：33

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;湖北省自然科学基金

在线出版日期：2021-05-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：560-568