《表4 融合模型性能比较》
对本文所提融合算法与单一VQA方法在华南理工视频篡改检测数据库和SULFA视频库的精确度进行比较。结果如表4所示。表中第一列展示了方法的名称。其中MMF为本文的融合算法,MMF分有分组和无分组两种,第二列是VFDD库中每种方法的得分,第三列是SULFA库中每种方法的得分,得分越高表示检测精度越好。在VFDD视频库中表现最好的单一特征是IFC(得分0.918 623),而在SULFA视频库中表现最好的单一特征为VSNR(得分0.666 803);同时也可以看出IFC特征在SULFA视频库中的得分只有0.481 829,相比于其他特征的表现有明显的不足,同样VSNR在VFDD视频库中的表现相对于其他特征也有明显的不足。从表4中可以看出融合算法在两个数据库中的性能表现都是最优的。VFDD数据库中,MMF(无分组)融合的特征为IFC、VIF、MAD、IWSSIM、GSM、VSI、SSIM。MMF(分组后)将视频分为两组,第一组融合特征为IFC、NQM、PSNR、SNR、VSNR、WSNR;第二组的融合特征为IFC、MSE、NQM、PSNR、VSNR、UQI、SSIM。分组与未分组的融合方法性能几乎无差别;在SULFA中,MMF(无分组)融合的特征为IFC、NQM。MMF(分组后)将视频分为两组,第一组融合特征为IFC、IWSSIM、SRSIM;第二组的融合特征为WSNR、SNR、PSNR。分组后的融合方法比未分组的融合方法在性能上有显著的提升。这说明正确的分组有利于融合算法性能的提升。在时间上效率上,融合算法比单一特征多花费200 s。相比于检测效果的提升,额外的开销时间在可接受范围之内。
图表编号 | XD00139963300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.15 |
作者 | 肖辉、翁彬、黄添强、普菡、黄则辉 |
绘制单位 | 福建师范大学数学与信息学院、福建省大数据挖掘与应用工程技术研究中心、福建师范大学数学与信息学院、福建省大数据挖掘与应用工程技术研究中心、福建师范大学数学与信息学院、福建省大数据挖掘与应用工程技术研究中心、福建师范大学数学与信息学院、福建省大数据挖掘与应用工程技术研究中心、世新大学 |
更多格式 | 高清、无水印(增值服务) |