面向强后处理场景的图像篡改定位模型

针对微信、微博等社交平台对图像进行的压缩、尺度拉伸等有损操作带来的篡改痕迹模糊或被破坏的挑战,提出了一种对抗强后处理的图像篡改定位模型。该模型选用了基于Transformer的金字塔视觉转换器作为编码器,用于提取图像的篡改特征。同时,设计了一个类UNet结构的端到端编码器-解码器架构。金字塔视觉转换器的金字塔结构和注意力机制可以灵活关注图像的各个区块,结合类UNet结构能够多尺度地提取图像上下文间的关联信息,对强后处理的图像有着较好的鲁棒性。实验结果表明,所提模型在对抗JPEG压缩、高斯模糊等常见的后处理操作以及在不同社交媒体传播场景的数据集上的定位性能上明显优于目前主流的篡改定位模型,展现出了优异的鲁棒性。

基于生成对抗网络的车牌图像篡改检测数据增广

现有的篡改检测方法,主要使用基于数据驱动的深度学习模型,检测效果与训练数据的质量和数量成正比,且人工制作高质量的篡改图片费时费力。针对高质量车牌篡改图片数据量少的情况,提出一种针对车牌场景的篡改图片数据增广方法。结合车牌定位模块、车牌矫正模块、基于生成对抗网络(GAN)的图像擦除模块和文字风格迁移模块,构建一个车牌字符篡改系统,以模拟真实场景的车牌篡改流程。相较于传统篡改方法,借助GAN生成的篡改字符种类更多元化、更具备多样性。实验结果表明,使用所提系统生成的车牌篡改图片可以达到篡改区域语义高度合理,且肉眼不可分辨的视觉效果;将它作为扩充数据训练篡改检测模型,曲线下面积(AUC)提升了42.9%,F1值提升了33.0%,漏检率下降了16.6%。同时,使用所提系统生成的车牌篡改图片搭配多种数据处理方法在不同篡改检测网络上均能有效提升检测性能;使用扩充数据训练后,篡改检测网络不仅可以成功检测传统篡改方法的篡改痕迹,针对现阶段流行的生成式篡改,检测效果也明显提升。

基于Convnext-Upernet的图像篡改检测定位模型

在当前数字时代,假新闻、网络勒索等网络犯罪行为愈发猖獗,导致篡改图像产生的负面影响日益凸显.鉴于此,检测与定位篡改图像已成为图像取证领域的关键任务.近年来,深度学习技术在计算机视觉领域取得了显著进展,众多篡改检测模型亦逐渐应用该技术.然而,现有模型大多需要在大量数据上进行预训练,且其鲁棒性和泛化能力相对较弱.为解决上述问题,本研究采用在计算机视觉领域表现优异的纯卷积神经网络模型Convnext作为主干网络,并借助统一感知解析网络Upernet提取图像中的多尺度特征,构建了一种基于Convnext-Upernet的篡改检测定位模型.在此基础上,本研究进一步运用自监督数据增强方法放大图像中的篡改痕迹,并利用与篡改检测定位任务无关的图像分类损失函数提高篡改图像检测定位的准确性.本研究在当前主流的篡改检测定位数据集上进行了大规模实验证明,所提出的模型具有高效且精确的篡改检测定位能力.相较于现有跨库性能最佳的MVSSNet++模型,本研究所提出的模型在检测定位性能上提高了14.4%,泛化能力得到全面提升,并对常见的后处理操作展示出了强大的鲁棒性.

面向内涵式发展的操作系统课程建设

分析当前高校操作系统课程教学中存在的浅表化问题,提出面向内涵式发展的建设思路。依托美国麻省理工大学(MIT)的开源教学操作系统xv6,引入以其为实验开发沙盘系统的实验启发型教学方式,介绍以“全程紧张”为指导思想的教学实践,并说明教学效果。

深度残差网络JPEG隐写分析器的特性

传统的隐写分析技术采用富模型特征,通过集成分类器获得了较高的检测性能.深度学习框架在隐写分析领域展现出了比传统方法更强大的检测性能.已有研究表明,深度残差网络类似于集成分类器.为确认基于深度残差网络的隐写分析器徐氏网络是否具有上述特性,考虑到徐氏网络不足够深,文中采用瓶颈架构和组件复制两种方式分别对徐氏网络进行拓展,得到了4个变种——瓶颈网络、30层网络、40层网络和50层网络,并进行了3组实验——第1组实验通过训练徐氏网络及其4个变种网络,获得最优的模型,发现更深的网络并没有比徐氏网络的性能更好;第2组实验通过删除个别组件,证明了残差网络中的路径并不依赖于彼此;第3组实验通过置乱一些组件,发现残差网络在一定程度上可以重新配置.实验结果表明,徐氏网络也类似于集成分类器.

基于Hilbert-Huang变换的JPEG2000隐写分析

实现了针对由Su等人提出的JPEG2000 Lazy-mode隐写术的可靠检测.在理论和实验分析的基础上,文章揭示了由Lazy-mode隐写术生成的掩密图像,其子带代码块噪声方差序列的振荡特征异于非掩密含噪图像的子带代码块噪声方差序列.因此,此文隐写检测算法的关键在于针对这两种子带代码块噪声方差序列进行序列分析,提取它们内在的振荡特征差异.在序列分析中,通过引入Hilbert-Huang变换,对噪声方差序列进行经验模式分解,构建了基于Hilbert谱的特征向量.实验表明,基于该特征向量的支持向量机(SVM)分类器能以平均90.6%的准确率识别掩密图像.根据检索,目前尚未有对JPEG2000 Lazy-mode隐写术进行成功分析的报道,因此,该文具有重大意义.

基于Xen的开放式半虚拟化集群Linux实验教学环境建设探索

针对传统Linux实验教学环境存在的系统难以维护、无法为学生提供ROOT权限等问题,通过使用基于Xen的半虚拟化技术,构建了开放式的集群Linux实验教学环境。在这个实验教学环境中,教师可通过基于Web的操作界面进行管理,学生可通过基于VNC的图形界面进行实验及与教师进行实时交互,管理员还可通过Xen的虚拟机动态迁移功能实现集群系统的负载均衡。大大降低了学生操作的难度,增进了实验效率,提高了硬件设备的利用率。

面向图像视频取证的机器学习综述

近年来,随着机器学习技术,特别是深度学习技术的飞速发展,使得一般人也能够生成非常逼真的高质量造假图像和视频。这给社会和个人带来了极大的风险,也引起了世界各国相关部门以及学术界的高度重视。针对图像和视频的篡改技术和取证技术是相互对抗相互促进的矛盾双方。机器学习技术的飞速发展,同样地也触发了图像/视频取证技术的跨越式演化。本文对近年来,特别是过去三年面向图像/视频取证的机器学习技术的飞速发展现状进行了综述,展示了基于传统人工构造特征以及端到端的图像视频取证机器学习方法,并探讨了不同检测技术的优缺点,重点对Deepfake换脸视频的取证技术以及基于深度学习的取证与反取证的对抗进行了介绍。对现有的科研工作进行了科学的归类。最后对其未来的发展趋势进行了展望,旨在为后续学者的研究进一步推动图像/视频取证的机器学习技术提供指导。

基于三维特征索引空间的分布式全文索引模型

文中根据分布式全文数据库的特点,提出一种新的全文索引模型———基于三维特征索引空间的分布式全文索引模型。在理论上的推导和对实际全文数据库的测试都证实新模型在分布式环境下,能以相对较小的空间代价获得较大幅度的查询效率的提高。

深度学习空域隐写分析的预处理层

在一种具有预处理层的卷积神经网络模型基础上,对其高通滤波器预处理层进行改进,采用一组导数滤波器以获得线性及非线性残差图像,并对残差图像进行量化和截断操作,从而更加有效地提取图像特征.实验结果表明,与已有方法相比,尽管所提的3种方法对各空域隐写算法及各嵌入率下的性能表现并不一致,但这些方法均能显著提升隐写分析检测率.对于检测嵌入率为0.4 bpp的S-UNIWARD隐写算法,检测正确率提高了6%.

对抗隐写分析滤波器残差提取的图像隐写算法

针对图像隐写的抗隐写分析安全性问题,提出了一种对抗富模型隐写分析滤波器残差提取的图像隐写算法。首先,从对抗富模型隐写分析模型中使用的残差提取滤波器出发,分析目前性能最好的基于高通低通滤波器相结合的加性隐写失真代价函数和富模型隐写分析滤波器残差之间的关系;其次,通过离散余弦分解对隐写分析滤波器残差提取的能量分布进行分析;最后基于富模型隐写分析滤波器在残差能量提取上的不均匀性,提出了一种新的加性失真代价函数构造方法。在包含一万张空域载体图像的公开数据库上的实验中,该失真代价函数能有效对抗富模型隐写分析模型所使用的残差提取滤波器,与基于高通低通滤波器相结合的隐写失真代价函数相比,对抗富模型隐写分析的隐写安全性在每像素0.2比特嵌入率时能提升0.5个百分点,在每像素0.5比特嵌入率时能提升1个百分点。实验结果表明,该加性失真代价函数构造方法在计算复杂度不变的前提下,能有效提升对抗富模型隐写分析的隐写安全性。

基于复杂度的自适应分层图像隐写算法

选择复杂度较高的纹理通道进行隐写,就能在提高嵌入量的同时降低被隐写分析器检测的风险。结合实际的应用需求,提出了一种基于图像纹理复杂度的自适应分层图像隐写算法。该算法根据图像的纹理特性特征,定义图像纹理复杂度的度量方法,自适应地根据图像的复杂度进行分层嵌入,嵌入时采用与矩阵编码技术结合的方法来提高嵌入的效率,实现多层的通道选择信息嵌入。实验结果表明该算法取得了较好的性能,与HUGO等隐写算法相比检测率提高了十多个百分点,安全性能大大提升。该算法实现简单,能够应用于低性能的嵌入式系统。

语音深度伪造及其检测技术研究进展

语音深度伪造技术是利用深度学习方法进行合成或生成语音的技术。人工智能生成内容技术的快速迭代与优化,推动了语音深度伪造技术在伪造语音的自然度、逼真度和多样性等方面取得显著提升,同时也使得语音深度伪造检测技术面临着巨大挑战。本文对语音深度伪造及其检测技术的研究进展进行全面梳理回顾。首先,介绍以语音合成(speech synthesis,SS)和语音转换(voice conversion,VC)为代表的伪造技术。然后,介绍语音深度伪造检测领域的常用数据集和相关评价指标。在此基础上,从数据增强、特征提取和优化以及学习机制等处理流程的角度对现有的语音深度伪造检测技术进行分类与深入分析。具体而言,从语音加噪、掩码增强、信道增强和压缩增强等数据增强的角度来分析不同增强方式对伪造检测技术性能的影响,从基于手工特征的伪造检测、基于混合特征的伪造检测、基于端到端的伪造检测和基于特征融合的伪造检测等特征提取和优化的角度对比分析各类方法的优缺点,从自监督学习、对抗训练和多任务学习等学习机制的角度对伪造检测技术的训练方式进行探讨。最后,总结分析语音深度伪造检测技术存在的挑战性问题,并对未来研究进行展望。本文汇总的相关数据集和代码可在https://github.com/media-sec-lab/Audio-Deepfake-Detection访问。