全局区分性增强与边界监督的篡改检测网络

基于深度学习的篡改检测网络通常忽视了全局通道特征间的差异性且未有效利用全局相关性,造成篡改检测结果误检率和漏检率较高。为解决该问题,构建一种新的篡改检测网络。利用双残差网络和限制卷积层构建特征提取主干网络层,提取待检测目标的双视图多尺度特征。建立全局信息增强模块,引入非局部注意力计算方式,计算各尺度通道的低维全局性相关程度,并将其作为增强参数对全局特征进行区分性增强操作。设计新的边界监督方式,通过对预测结果提取边界信息创建边界掩码图像以计算边界辅助损失,利用反向学习以引导全局特征集中于篡改区域,实现监督性篡改检测。在CASIA、COVER、NIST16、Columbia数据集上的实验结果表明,该网络能有效降低篡改检测结果的误检率和漏检率,像素级F1分数相比于性能最优的同类MVSS-Net平均提升了2.3个百分点。