基于AEA和SR模块改进的图像篡改检测网络制造技术

本发明专利技术涉及计算机视觉和深度学习领域，特别是涉及一种基于AEA和SR模块改进的图像篡改检测网络。该网络包括以下步骤：获取待检测的RGB图像；将RGB图像输入经过训练的图像篡改检测模型，该模型能够抑制无关的噪声和提升鲁棒性，输出篡改与真实区域的二元分类预测结果以及篡改区域的分割预测图。改进后的图像篡改检测网络集成了边缘感知器、AEA模块、SR模块和类双重注意力模块。本发明专利技术旨在从图像中提取微弱但普遍存在的篡改特征，通过深度挖掘特征之间的相关性，显著提高了篡改区域的定位精度和鲁棒性。

【技术实现步骤摘要】

本专利技术涉及深度学习图像篡改检测技术，尤其涉及一种基于aea和sr模块来进行改进的图像篡改检测网络。

技术介绍

1、近年来，基于图像的篡改检测技术在计算机视觉领域引起了广泛关注。图像篡改检测的目标是识别和定位图像中的篡改或修改，以确保图像的完整性和真实性。这项技术在多个领域具有重要应用，包括法律取证、新闻媒体可信度验证、数字内容安全等。

2、传统的图像篡改检测方法通常依赖于手工设计的特征提取器，如局部不变特征变换(sift)、方向梯度直方图(hog)等。这些方法虽然在特定场景下表现良好，但通常需要人工选择和调整参数，且对于复杂的篡改操作可能缺乏鲁棒性。近年来，随着深度学习技术的发展，基于深度学习的图像篡改检测方法显著提升了检测的准确性和鲁棒性。深度学习模型能够自动学习图像中的特征表示，不再需要手动设计特征提取器。特别是卷积神经网络(cnn)在图像处理任务中取得了突破性进展，如在图像分类、对象检测和分割等领域广泛应用，并逐渐被引入到图像篡改检测中。

3、本专利技术旨在结合深度学习的注意力机制和空间特征增强技术，利用深度学习模型和先进本文档来自技高网...

【技术保护点】

1.基于AEA和SR模块改进的图像篡改检测网络，其特征在于：

2.根据权利要求1所述的基于AEA和SR模块改进的图像篡改检测网络，其特征在于，所述边缘感知器利用四个ResNet50特征(R4)提取模块从RGB图像中提取RGB流特征，每级ResNet50块提取出的RGB流特征，分别输入Sobel层和AEA模块去提取边缘特征，并将它们串联输入到后续注意力机制中以作为最终的边缘预测特征，再通过使用Sigmoid层转换其输出结果而获得边缘预测图。

3.根据权利要求1所述的基于AEA和SR模块改进的图像篡改检测网络，其特征在于，所述AEA模块以R4经过1×1卷积提取的特征和...

【技术特征摘要】

1.基于aea和sr模块改进的图像篡改检测网络，其特征在于：

2.根据权利要求1所述的基于aea和sr模块改进的图像篡改检测网络，其特征在于，所述边缘感知器利用四个resnet50特征(r4)提取模块从rgb图像中提取rgb流特征，每级resnet50块提取出的rgb流特征，分别输入sobel层和aea模块去提取边缘特征，并将它们串联输入到后续注意力机制中以作为最终的边缘预测特征，再通过使用sigmoid层转换其输出结果而获得边缘预测图。

3.根据权利要求1所述的基于aea和sr模块改进的图像篡改检测网络，其特征在于，所述aea模块以r4经过1×1卷积提取的特征和每级resnet50特征提取模块提取出的边缘特征拼接的特征图为输入，提取边缘中多尺度特征，和r4经过1×1卷积提取的特征进行矩阵乘法，使用sigmoid函数约束到0-1之间并作为权重作用到边缘感知器中r4经过1×1卷积提取的rgb流特征图上。

4.根据权利要求1所述的基于aea和sr模块改进的图像篡改检测网络，其特征在于，所述边缘感知器和aea模块为上分支(伪造边缘增强分支)的重要组成部分，下述的sr模块为下分支(干扰因素削弱分支)的一个组成部分，类双重注意力模块则用于沟通上下分支，它可以捕获特征图中的全局上下文。此...

【专利技术属性】
技术研发人员：邵允学，戴坤，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：