《表2 两个标准数据集上F1的得分比较》
本文分别评估了MR Net、MRN Net和MRNC Net.从表2可以看出,所提出的方法在F1评分方面优于现有的一些基线方法.如ELA,NOI1和CFA1.这是因为手工设计的特征限制了它们的功能.本文引入的CBAM模块在不同空间生成上下文描述符,有助于获得RGB图像中不易显现的篡改痕迹.噪声分支则探索了篡改区域和非篡改区域间的噪声不一致.COLUM BIA数据集为未压缩拼接图像,更好保留了噪声差异,使MRN Net也取得了不错的效果.在数据增强上,我们分别使用图像水平翻转和添加高斯噪声,高斯噪声平均值为0,方差为5.实验证明,图像翻转和高斯噪声共同作用并不能提高准确率.仅使用图像翻转达到最佳效果.表3显示了数据增强实验结果.预测结果样例如图9所示.
图表编号 | XD00199021100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.01 |
作者 | 宣锦昭、徐超、冯博、闪文章 |
绘制单位 | 安徽大学电子信息工程学院、安徽大学电子信息工程学院、安徽大学电子信息工程学院、安徽大学电子信息工程学院 |
更多格式 | 高清、无水印(增值服务) |