SPA-Net:使用跨度部分结构和注意力机制增强的深度学习方法,用于图像复制移动伪造检测

科学领域:

• 计算机视觉 计算机视觉
• 数字图像处理 数字图像处理
• 机器学习 机器学习

背景情况:

• 图像复制移动伪造 (CMFD) 是一个普遍的问题,由于广泛使用视觉传感器和先进的数字图像处理.
• 这种伪造涉及复制和粘贴图像区域,在各个领域都有重大影响.

研究的目的:

• 开发一种高效的端到端深度学习方法,用于强大的复制移动伪造检测.
• 为了提高识别操纵图像区域的准确性.

主要方法:

• 拟议的SPA-Net (跨部分结构和注意力机制) 用于特征提取.
• 利用跨度部分结构来减少冗余功能和注意力机制,专注于改区域.
• 实现了深度特征匹配模块,用于定位复制移动区域,以及用于面具生成的特征升级样本模块.

主要成果:

• 在CASIA和CoMoFoD数据集上,SPA-Net取得了令人满意的表现.
• 与现有的CMFD技术相比,拟议的方法显示出更高的性能.
• 在没有预先训练的权重的情况下训练,SPA-Net有效地平衡了复制-移动和语义特征.

结论:

• SPA-Net提供了一种高效和有效的解决方案,用于检测复制移动伪造.
• 开发的SPANet-CMFD数据集有助于训练强大的伪造检测模型.
• 该方法显示了超越CMFD的应用潜力,包括深度假冒检测.