免費(fèi)論文查重認(rèn)準(zhǔn)CNKI論文查重，專為高校論文檢測(cè)、畢業(yè)論文查重、碩士論文查重誕生的論文檢測(cè)入口平臺(tái)，CNKI論文查重系統(tǒng)涵蓋海量的數(shù)據(jù)庫(kù)，為畢業(yè)生解決各種煩惱，論文查重軟件免費(fèi)為各種有論文檢測(cè)、論文查重需求的人提供，論文查重認(rèn)準(zhǔn)CNKI查重！
發(fā)布時(shí)間：2022-12-23 16:01:24 作者：知網(wǎng)小編 來(lái)源：m.elxoepd.cn
（2）另一方面圖像篡改檢測(cè)旨在挖掘數(shù)字圖像的惡意處理，例如刪除（Removal）、添加（Adding）、復(fù)制（Copy）、截取（Splicing）圖像中的對(duì)象。 圖像處理檢測(cè)在軍事防衛(wèi)、司法鑒定、圖像防偽等領(lǐng)域有重要的價(jià)值。 本文旨在通過(guò)分析近年來(lái)基于深度學(xué)習(xí)的圖像篡改檢測(cè)發(fā)展，總結(jié)該方向主要發(fā)展方向、可以探索方向。 （1）和（2）有本質(zhì)區(qū)別，（1）主要通過(guò)截取圖像A的某個(gè)物體到圖像B，并檢測(cè)圖像B是否被篡改；（2）主要用過(guò)復(fù)制圖像A的某個(gè)物體，移動(dòng)到另外一個(gè)位置，并檢測(cè)圖像A是否被篡改，即（1）的復(fù)制物體來(lái)自于多個(gè)圖像，（2）的物體對(duì)象來(lái)自同一張圖像。 關(guān)于（2）Copy-Move的比較有名的例子是伊朗導(dǎo)彈齊射偽造事件。
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(shí)區(qū)域往往在統(tǒng)計(jì)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(huì)是檢測(cè)的難點(diǎn)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(duì)圖像進(jìn)行鑒別，當(dāng)鑒別器無(wú)法鑒別出生成圖像的時(shí)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(wú)法檢測(cè)出具體類別的，生成方法對(duì)于深度學(xué)習(xí)鑒別方法魯棒性很強(qiáng)。 因此如何設(shè)計(jì)有效的網(wǎng)絡(luò)結(jié)構(gòu)去學(xué)習(xí)人眼無(wú)法發(fā)現(xiàn)的篡改線索也是檢測(cè)的難點(diǎn)之一。 面對(duì)復(fù)雜的深度學(xué)習(xí)篡改圖像，研究者們從2017年起開(kāi)始了逐步探索。 2017年Nicolas Rahmouni等人 [ 57 ]首次嘗試對(duì)計(jì)算機(jī)生成的篡改圖像進(jìn)行鑒別。
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(cè) 領(lǐng)域的一部經(jīng)典之作。 Abstra ct 首先說(shuō)明了 圖像篡改檢測(cè) 不同于顯著性 檢測(cè) 的一個(gè)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
由于圖像內(nèi)容篡改通常是對(duì)圖中某個(gè)區(qū)域進(jìn)行修改，因此也可以將篡改區(qū)域看作一種“目標(biāo)”。 因此2018年P(guān)eng zhou等人 [ 39 ]將圖像內(nèi)容被動(dòng)取證任務(wù)轉(zhuǎn)換為目標(biāo)檢測(cè)任務(wù)，提出了RGB-N框架。 如圖5-12所示，該模型整體基于Faster R-CNN框架，模型分為RGB流和噪聲流兩部分。
