文件大小：1.01M
摘要：为解决卷积神经网络的图像Copy-Move篡改检测网络中对小尺度篡改的检测不敏感，细节敏感性低的问题，提出了融合卷积块注意力模块（convolutional block attention module， CBAM）的双向递归门控残差图像Copy-Move篡改检测网络。通过两种残差块构建编码器—解码器结构，使网络对小尺度篡改区域识别更加敏感；在此基础上，引入CBAM注意力机制，以增强特征表达能力，自适应地聚焦于关键的篡改区域；融合了双向门控循环单元（bidirectional gated recurrent unit， Bi-GRU），交互前后向信息，耦合宏微观特征，建模长距离依赖；最后，通过跳跃连接机制，促进多尺度特征融合，强化网络的识别能力。在公共数据集CASIA2.0和CoMoFoD上进行实验，结果表明：本文所提网络在CASIA2.0数据集中的准确率和F1分数分别达到了95.78%和82.08%，验证了其在小尺度篡改检测方面的有效性；在CoMoFoD数据集中的准确率和F1分数分别达到了92.36%和55.72%，进一步证实了其对复杂篡改场景的泛化能力。所提网络能准确实现对Copy-Move篡改图像的检测，为篡改检测领域的后续研究提供了技术支撑。
文章目录
1 相关理论
1.1 SegNet网络
1.2 本文网络整体结构
1.3 残差块
1.4 CBAM注意力机制
1.5 Bi-GRU
2 实验结果及分析
2.1 数据集
2.2 实验参数
2.3 评价指标
2.4 消融实验
2.5 对比实验
2.6 抗干扰测试
3 结 论
