融入混合注意力的低缩放因子Seam Carving篡改检测算法

Abstract

针对现有的Seam Carving篡改检测算法对于低缩放因子情况存在检测精度不高、鲁棒性不强的问题，提出一种融入混合注意力机制的Seam Carving篡改检测算法。首先，利用BayarConv2D约束卷积对图像进行预处理，充分学习图像的噪声特征，并通过矩阵乘法与RGB图像进行特征融合；然后，采用ResNet作为骨干网络进行特征学习，引入残差传播和残差反馈机制，凸显Seam Carving的操作痕迹；最后，利用混合注意力机制同时提取相邻位置和通道之间的特征，更好地捕捉全局特征，进而将其输入全连接层进行分类。实验结果表明，在BOSSbase1.01数据集上，当缩放因子为1%和9%时，检测精度分别达到了89.48%和97.94%，优于现有主流方法，同时具有较低的计算复杂度和较好的鲁棒性，能够抵抗JPEG压缩攻击。

Keywords

• 混合注意力机制
• 图像取证
• seam carving检测
• 低缩放因子