《表2 两个标准数据集上F1的得分比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种改进的Mask R-CNN图像篡改检测模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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．