A Deep Learning Approach To Univ

作者: ganyd | 来源:发表于2020-10-13 20:44 被阅读0次

原作者：Belhassen Bayar, imageMatthew C. Stamm等笔记整理：ganyongdong 2020.10.13
如有错误或者不清楚之处，欢迎指正交流，如需转载请注明出处

摘要

1.介绍

当前取证操作主要针对特定的操作，设计专用于检测这些痕迹的算法，比如resizing, resampling, median filtering, contrast enhancement等。这种方法存在以下缺点：
1. 篡改图像可以有多种操作，调查者需要使用大量检测方法一一判断待检测图片；
2. 一张图像进行多种操作的时候，需要调查者控制总体的误报率和处理结果冲突等问题；
3. 随着新的操作技术发展，每种都需要设计针对性的检测算法。
所以设计开发通用(多种，不是全部)的取证算法很有意义，相关工作如下：
1. 隐写分析工具能够检测多种图像编辑操作，方法是分析像素值预测误差的联合分布来建立像素相关性的局部模型，然后从这些联合分布中提取检测特征(2012)。
2. 构建操作前和操作后的图像块的高斯混合模型(GMMs)(2015)，方法是比较不同操作的GMM下图像块的对数似然性，然后使用一系列二进制操作检测器检测。
以上工作都是预先选择一个模型用于提取特征，那么是否可以不需要人工分析，也不需要对数据增加预先确定的模型，就能发现有效的通用的检测特征？
文章提出了这样一种自动学习图像被编辑后留下的痕迹的通用检测方法，使用CNN，为了自适应提取操作特征，抑制内容特征，提出了一种新的卷积层。

2015年，Chen等人的工作发现，CNNs的倾向于学习图像的内容特征，而不是操作特征。所以他们对图像提取高维特征集，称为中值滤波残差，然后再输入到CNN。(这个重要，可以作为自己的引用)
关键思想：图像内容的像素之间存在局部结构关系，而图像操作会以一种可觉察的方式改变这种局部关系，所以需要对第一个卷积层进行约束。
新卷积层(第一个卷积层)使用预测误差滤波器(prediction error filters)，即预测滤波窗口的中心值减去当前中心值得到预测误差。具体来说
CNN中第一层中的k个滤波器 $w_k^{(1)}$ 都有以下约束：
$\begin{aligned} &w_k^{(1)}(0,0)=-1 \\ &\\ &\sum_{l,m\not ={0}}w_k^{(1)}(l,m)=1 \end{aligned}$
其中， $w_k^{(1)}(l,m)$ 是滤波器中 $(l,m)$ 位置上的权重参数， $w_k^{(1)}(0,0)$ 是滤波窗口中心位置的权重。
训练的时候，每个滤波器器先随机初始化，然后添加以上约束，滤波器权重经历随机梯度下降更新之后，每次迭代都添加以上约束。这将允许CNN自适应地学习一组强有力的操作检测特征提取器，而不用其他先验。伪代码如下：

多操作取证stamm新卷积层工作伪代码.png

文章提出的约束卷积层是从以前的取证和隐写研究中获得的灵感，实际上，很多取证和隐写研究都可以看成是如下检测方法：根据固定的规则，通过邻域预测每个像素值，计算预测误差，根据这些误差创建低维特征向量或者统计量，然后基于这些特征向量和统计量做出决策。

多操作取证stamm网络结构.png

网络结构共8层，约束卷积层(convRes) -> 普通卷积层 -> 最大池化 -> 普通卷积层 -> 最大池化 -> 全连接层x3
约束卷积层输出没有经过非线性激活函数处理，原因非线性操作会破坏特征图中篡改操作留下的痕迹特征。
每个最大池化后跟着LRN(局部响应归一化)。
全连接层fc1和fc2应用dropout:50%，减少过拟合。fc3应用softmax，将输出缩放为每个类别的概率。

dropout: 为了减少过拟合，神经网络中神经元以概率p（这里是50%）设置激活值为0，即不参与计算输出，减少神经元之间的耦合。