多分辨率转移学习用于使用SE增强的融合MBConv和优化的CNN头进行改图像分类
Jithin Reddy Korsipati1, Rama Muni Reddy Yanamala2, Archana Pallakonda3
1Amrita School of Artificial Intelligence, Amrita Vishwa Vidyapeetham, Coimbatore, Tamil Nadu, 641112, India.
Scientific reports
|September 24, 2025
概括
本研究介绍了一种使用EfficientNetV2B0和转移学习的高级改图像检测模型. 该系统实现了卓越的准确性和概括性,用于可靠的数字取证.
科学领域:
- 计算机视觉 计算机视觉
- 数字法医学数字法医学
- 机器学习 机器学习
背景情况:
- 数字图像改很普遍,需要法医,新闻和网络安全的强大检测系统.
- 现有的方法,包括手工制作和深度学习方法,经常与微妙的工件和在各种图像操纵中概括而斗争.
研究的目的:
- 开发一个高度准确和可通用的改图像分类模型.
- 克服传统方法和现有的深度学习模型在检测图像操纵方面的局限性.
主要方法:
- 利用转移学习与EfficientNetV2B0骨干进行特征提取.
- 集成了一个轻量级,规范化的卷积神经网络 (CNN) 分类头.
- 优化了使用焦点损失来处理类不平衡的模型,并结合了复合缩放,融合了MBConv层和Squeeze-and-Excitation (SE) 注意力以提高稳定性.
主要成果:
- 在基准数据集 (CASIA v1,哥伦比亚,MICC-F2000,Defacto) 上实现了卓越的性能,曲线下面面积 (AUC) 得分高达1.0000和F1得分高达0.9997.
- 在准确性,精度,回忆和概括性方面超过了42个最先进的模型,特别是在高分辨率和压缩图像上.
- 与IML-ViT,MVSS-Net++,ConvNeXtFF和DRRU-Net.Net等模型相比,表现出优越的性能.
结论:
- 拟议的模型为数字图像改检测提供了实际有效性和法医可靠性.
- 该系统的稳定性和通用化能力使其适用于关键领域的现实应用.
- 集成EfficientNetV2B0,注意力机制和焦点损失,为图像取证提供了一个强大的方法.