CN114764858B - 一种复制粘贴图像识别方法、装置、计算机设备及存储介质 - Google Patents

一种复制粘贴图像识别方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN114764858B
CN114764858B CN202210675471.7A CN202210675471A CN114764858B CN 114764858 B CN114764858 B CN 114764858B CN 202210675471 A CN202210675471 A CN 202210675471A CN 114764858 B CN114764858 B CN 114764858B
Authority
CN
China
Prior art keywords
module
image
graph
copy
paste
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210675471.7A
Other languages
English (en)
Other versions
CN114764858A (zh
Inventor
叶岚灏
李元满
王娜
李霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202210675471.7A priority Critical patent/CN114764858B/zh
Publication of CN114764858A publication Critical patent/CN114764858A/zh
Application granted granted Critical
Publication of CN114764858B publication Critical patent/CN114764858B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例属于人工智能中的图像识别技术领域，涉及一种复制粘贴图像识别方法、装置、计算机设备及存储介质。本申请充分利用了图能很好地捕捉全局节点关系的特性，从而能够更好地提取全局的伪造区域和源区域信息，同时，通过将一个能够自适应建模像素块之间相关性并传递关系信息以更新节点特征的模块串联在一起，能够更好地增强提取到的特征，进一步有效编码图像的复制‑粘贴伪造区域，再经过解码器解码后，有效地提高检测复制‑粘贴伪造的精度。

Description

一种复制粘贴图像识别方法、装置、计算机设备及存储介质
技术领域
本申请涉及人工智能中的图像识别技术领域，尤其涉及一种复制粘贴图像识别方法、装置、计算机设备及存储介质。
背景技术
图像复制-粘贴伪造（Image Copy-move Forgery）是指复制数字图像中的某一区域(称为复制源区域)，然后将其移动至图像中的其它区域(称为粘贴区域)的图像处理过程。复制-粘贴伪造的痕迹通常很难被肉眼察觉，同时复制-粘贴伪造的检测属于数字图像取证中的关键问题。比如在法庭上使用伪造过的图像作为证据，使用复制-粘贴伪造的手段掩盖图像中的关键信息来报道假新闻等等，这些图像伪造的情况都给社会带来严重的不良影响。给定一幅图像，本算法旨在准确检测和定位复制-粘贴伪造的区域和被复制的源区域，对图像取证分析和多媒体安全研究有重要意义。
现有一种复制粘贴图像识别方法，采用卷积神经网络良好的分类性能，在给定的图像中搜索相似的块或关键像素点，通过检测具有高匹配度的块或关键点，可以较为准确地检测出图像中复制-粘贴伪造的位置。
然而，申请人发现现有的复制粘贴图像识别方法缺乏对全局数据的考虑，由于单一的卷积运算的内在局限性，卷积神经网络未能充分学习到全局的信息，从而导致传统的复制粘贴图像识别方法存在识别准确性较低的问题。
发明内容
本申请实施例的目的在于提出一种复制粘贴图像识别方法、装置、计算机设备及存储介质，以解决现有的复制粘贴图像识别方法识别准确性较低的问题。
为了解决上述技术问题，本申请实施例提供一种复制粘贴图像识别方法，采用了如下所述的技术方案：
接收携带有待识别图像的图像识别请求；
调用训练好的复制-粘贴伪造检测网络，其中，所述复制-粘贴伪造检测网络包括图像特征提取模块、自适应图学习模块、空间注意力模块以及解码器；
根据所述图像特征提取模块对所述待识别图像进行图像特征提取操作，得到图像特征信息；
根据所述自适应图学习模块对所述图像特征信息进行图节点特征提取操作，得到图节点特征信息；
根据所述空间注意力模块对所述图节点特征信息进行分割操作，得到分割特征信息；
根据所述解码器对所述分割特征信息进行解码操作，得到图像识别结果；
所述自适应图学习模块首先将得到的多尺度特征输入到ASPP模块以融合和捕捉不同尺度的特征信息，并将所述特征信息映射到图结构上，得到图拓扑结构G；其次，展平所述多尺度特征并通过线性映射获得两个可学习向量query以及向量key，对所述向量query以及所述向量key进行矩阵运算，得到邻接矩阵A；将所述图拓扑结构G以及所述邻接矩阵A输入到图卷积层中，得到图卷积层的输出
Figure 247788DEST_PATH_IMAGE001
，最后对所述邻接矩阵A以及所述图卷积层的输出
Figure 5397DEST_PATH_IMAGE001
进行矩阵相乘，得到所述自适应图学习模块的输出F；
所述图卷积层的输出
Figure 136164DEST_PATH_IMAGE001
表示为：
Figure 275021DEST_PATH_IMAGE002
；
其中，Wg是图卷积中聚合信息和传递信息的可学习参数；
所述自适应图学习模块的输出F表示为：
Figure 858450DEST_PATH_IMAGE003
；
所述复制-粘贴伪造检测网络的所述自适应图学习模块串联为级联模型结构，所述级联模型结构的每个模块的输出都为下一模块的输入，并且将模块的其他输出和最后一个模块的输出连接在一起以保留更多的信息，所述级联模型结构的输出
Figure 170482DEST_PATH_IMAGE004
表示为：
Figure 155756DEST_PATH_IMAGE005
；
其中，
Figure 465514DEST_PATH_IMAGE006
指的是第n个模块的输出。
为了解决上述技术问题，本申请实施例还提供一种复制粘贴图像识别装置，采用了如下所述的技术方案：
请求接收模块，用于接收携带有待识别图像的图像识别请求；
第一模型调用模块，用于调用训练好的复制-粘贴伪造检测网络，其中，所述复制-粘贴伪造检测网络包括图像特征提取模块、自适应图学习模块、空间注意力模块以及解码器；
图像特征提取模块，用于根据所述图像特征提取模块对所述待识别图像进行图像特征提取操作，得到图像特征信息；
图节点特征提取模块，用于根据所述自适应图学习模块对所述图像特征信息进行图节点特征提取操作，得到图节点特征信息；
分割模块，用于根据所述空间注意力模块对所述图节点特征信息进行分割操作，得到分割特征信息；
解码模块，用于根据所述解码器对所述分割特征信息进行解码操作，得到图像识别结果；
所述自适应图学习模块首先将得到的多尺度特征输入到ASPP模块以融合和捕捉不同尺度的特征信息，并将所述特征信息映射到图结构上，得到图拓扑结构G；其次，展平所述多尺度特征并通过线性映射获得两个可学习向量query以及向量key，对所述向量query以及所述向量key进行矩阵运算，得到邻接矩阵A；将所述图拓扑结构G以及所述邻接矩阵A输入到图卷积层中，得到图卷积层的输出
Figure 536238DEST_PATH_IMAGE001
，最后对所述邻接矩阵A以及所述图卷积层的输出
Figure 402694DEST_PATH_IMAGE001
进行矩阵相乘，得到所述自适应图学习模块的输出F；
所述图卷积层的输出
Figure 242474DEST_PATH_IMAGE001
表示为：
Figure 723134DEST_PATH_IMAGE002
；
其中，Wg是图卷积中聚合信息和传递信息的可学习参数；
所述自适应图学习模块的输出F表示为：
Figure 15575DEST_PATH_IMAGE003
；
所述复制-粘贴伪造检测网络的所述自适应图学习模块串联为级联模型结构，所述级联模型结构的每个模块的输出都为下一模块的输入，并且将模块的其他输出和最后一个模块的输出连接在一起以保留更多的信息，所述级联模型结构的输出
Figure 872673DEST_PATH_IMAGE007
表示为：
Figure 629276DEST_PATH_IMAGE008
；
其中，
Figure 280838DEST_PATH_IMAGE006
指的是第n个模块的输出。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的复制粘贴图像识别方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的复制粘贴图像识别方法的步骤。
本申请提供了一种复制粘贴图像识别方法，包括：接收携带有待识别图像的图像识别请求；调用训练好的复制-粘贴伪造检测网络，其中，所述复制-粘贴伪造检测网络包括图像特征提取模块、自适应图学习模块、空间注意力模块以及解码器；根据所述图像特征提取模块对所述待识别图像进行图像特征提取操作，得到图像特征信息；根据所述自适应图学习模块对所述图像特征信息进行图节点特征提取操作，得到图节点特征信息；根据所述空间注意力模块对所述图节点特征信息进行分割操作，得到分割特征信息；根据所述解码器对所述分割特征信息进行解码操作，得到图像识别结果；所述自适应图学习模块首先将得到的多尺度特征输入到ASPP模块以融合和捕捉不同尺度的特征信息，并将所述特征信息映射到图结构上，得到图拓扑结构G；其次，展平所述多尺度特征并通过线性映射获得两个可学习向量query以及向量key，对所述向量query以及所述向量key进行矩阵运算，得到邻接矩阵A；将所述图拓扑结构G以及所述邻接矩阵A输入到图卷积层中，得到图卷积层的输出
Figure 326154DEST_PATH_IMAGE001
，最后对所述邻接矩阵A以及所述图卷积层的输出
Figure 721363DEST_PATH_IMAGE009
进行矩阵相乘，得到所述自适应图学习模块的输出F；所述图卷积层的输出
Figure 270156DEST_PATH_IMAGE010
表示为：
Figure 672712DEST_PATH_IMAGE011
；其中，Wg是图卷积中聚合信息和传递信息的可学习参数；所述自适应图学习模块的输出F表示为：
Figure 939745DEST_PATH_IMAGE012
；所述复制-粘贴伪造检测网络的所述自适应图学习模块串联为级联模型结构，所述级联模型结构的每个模块的输出都为下一模块的输入，并且将模块的其他输出和最后一个模块的输出连接在一起以保留更多的信息，所述级联模型结构的输出
Figure 873066DEST_PATH_IMAGE013
表示为：
Figure 541945DEST_PATH_IMAGE014
；其中，
Figure 800888DEST_PATH_IMAGE006
指的是第n个模块的输出。与现有技术相比，本申请充分利用了图能很好地捕捉全局节点关系的特性，从而能够更好地提取全局的伪造区域和源区域信息，同时，通过将一个能够自适应建模像素块之间相关性并传递关系信息以更新节点特征的模块串联在一起，能够更好地增强提取到的特征，进一步有效编码图像的复制-粘贴伪造区域，再经过解码器解码后，有效地提高检测复制-粘贴伪造的精度。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2是本申请实施例一提供的复制粘贴图像识别方法的实现流程图；
图3是本申请实施例一提供的获取训练好的复制-粘贴伪造检测网络的一种具体实施方式的流程图；
图4是本申请实施例二提供的复制粘贴图像识别装置的结构示意图；
图5是本申请实施例二提供的获取训练好的复制-粘贴伪造检测网络的一种具体实施方式的结构示意图；
图6是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的复制粘贴图像识别方法一般由服务器/终端设备执行，相应地，复制粘贴图像识别装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
实施例一
继续参考图2，示出了本申请实施例一提供的复制粘贴图像识别方法的实现流程图，为了便于说明，仅示出与本申请相关的部分。
上述的复制粘贴图像识别方法，包括以下步骤：
步骤S201：接收携带有待识别图像的图像识别请求；
步骤S202：调用训练好的复制-粘贴伪造检测网络，其中，复制-粘贴伪造检测网络包括图像特征提取模块、自适应图学习模块、空间注意力模块以及解码器；
步骤S203：根据图像特征提取模块对待识别图像进行图像特征提取操作，得到图像特征信息；
步骤S204：根据自适应图学习模块对图像特征信息进行图节点特征提取操作，得到图节点特征信息；
步骤S205：根据空间注意力模块对图节点特征信息进行分割操作，得到分割特征信息；
步骤S206：根据解码器对分割特征信息进行解码操作，得到图像识别结果。
在本申请实施例中，图像特征提取模块的输入是大小为320×320×3的图像，其通道个数为3，通过图1的特征提取器，提取特征得到H×W×C为40×40×896的特征图，H、W、C（Height、Weight、Channel），代表的是图片高和宽，C为通道数。
其中block表示一个残差特征块。在特征提取器中四个残差特征块，第一个残差特征块的输入维度是320×320×3，在第一个特征块中只提取了特征的深度信息，未修改特征尺寸，特征维度变为320×320×64；接着按顺序输入到第二、三、四个特征块中，在特征块中经池化和残差连接的操作后，分别输出维度为160×160×128、80×80×256、40×40×512的特征；最后将每个特征的尺寸变换到40×40，并且在深度维度上连接在一起，获得维度为40×40×896的多尺度特征，为后续提取高级特征做准备。
在本申请实施例中，自适应图学习模块通过图像特征提取模块得到了多尺度的特征，首先将得到的多尺度特征输入到ASPP模块以融合和捕捉不同尺度的信息，得到维度为40×40×512的新特征，接着将每个像素块映射到图结构上，得到1600×512维度的图拓扑结构G；同时，将多尺度特征在尺寸的维度展平，并且通过线性映射获得两个可学习向量query、key，维度都为1600×512；然后让query和key进行矩阵运算，以获得一个可以保存全局像素块之间关系的矩阵A，维度为1600×1600，并作为邻接矩阵输入图卷积网络层；最后将图G和邻接矩阵A输入到图卷积层中，以传递学习到的全局像素块之间关系信息，同时聚合更新图的节点特征信息。信息传递和聚合的过程由以下公式表示：
Figure 351955DEST_PATH_IMAGE002
其中，Wg是图卷积中聚合信息和传递信息的可学习参数。
同时，将矩阵A和图卷积层的输出
Figure 354546DEST_PATH_IMAGE001
行矩阵相乘，得到所述自适应图学习模块的输出F，以达到强化挖掘相似区域的目的，该自适应图学习模块的输出F表示为：
Figure 877932DEST_PATH_IMAGE003
在本实施例的一些可选的实现方式中，复制-粘贴伪造检测网络的自适应图学习模块串联为级联模型结构。在本申请实施例中，由于自适应图学习模块的感受野局限于局部从而缺乏远距离的信息，因此将模块串联起来，形成一个级联的模型结构，以挖掘像素块之间深层次的关系和远距离的信息。与此同时，所级联提出模块的结构能够降低重复使用多个图卷积层出现的过平滑问题。
在级联结构的模型中，我们的设置每个模块的输出都为下一模块的输入，并且将模块的其他输出和最后一个模块的输出连接在一起以保留更多的信息。整个级联结构模型的完成过程如下公式：
Figure 42197DEST_PATH_IMAGE015
在本申请实施例中，由自适应图学习模块得到富含多尺度信息和节点间相关性的特征图后，先经过空间注意力模块CAM，以更好地分割复制-粘贴伪造中的源区域、伪造区域和背景，获得维度为40×40×512的新特征作为解码器输入。本申请采用卷积(Conv)的渐进上采样策略，从而减少引入噪声。具体来说，首先，输入解码器的特征图是尺寸大小40×40×512。接着使用卷积使通道数变成256，再采用双线性插值使特征图上采样2倍，尺寸变为80×80×256。因此，总共需要3次类似操作才能从尺寸为40×40的特征图达到全分辨率320×320，再经过一层卷积使通道数从256变为3，再通过激活函数Softmax输出，Softmax用作神经网络的最后一层做分类函数。
在本申请实施例中，提供了一种复制粘贴图像识别方法，包括：接收携带有待识别图像的图像识别请求；调用训练好的复制-粘贴伪造检测网络，其中，所述复制-粘贴伪造检测网络包括图像特征提取模块、自适应图学习模块、空间注意力模块以及解码器；根据所述图像特征提取模块对所述待识别图像进行图像特征提取操作，得到图像特征信息；根据所述自适应图学习模块对所述图像特征信息进行图节点特征提取操作，得到图节点特征信息；根据所述空间注意力模块对所述图节点特征信息进行分割操作，得到分割特征信息；根据所述解码器对所述分割特征信息进行解码操作，得到图像识别结果；所述自适应图学习模块首先将得到的多尺度特征输入到ASPP模块以融合和捕捉不同尺度的特征信息，并将所述特征信息映射到图结构上，得到图拓扑结构G；其次，展平所述多尺度特征并通过线性映射获得两个可学习向量query以及向量key，对所述向量query以及所述向量key进行矩阵运算，得到邻接矩阵A；将所述图拓扑结构G以及所述邻接矩阵A输入到图卷积层中，得到图卷积层的输出
Figure 96871DEST_PATH_IMAGE010
，最后对所述邻接矩阵A以及所述图卷积层的输出
Figure 637574DEST_PATH_IMAGE010
进行矩阵相乘，得到所述自适应图学习模块的输出F；所述图卷积层的输出
Figure 15466DEST_PATH_IMAGE010
表示为：
Figure 616212DEST_PATH_IMAGE002
；其中，Wg是图卷积中聚合信息和传递信息的可学习参数；所述自适应图学习模块的输出F表示为：
Figure 79554DEST_PATH_IMAGE003
；所述复制-粘贴伪造检测网络的所述自适应图学习模块串联为级联模型结构，所述级联模型结构的每个模块的输出都为下一模块的输入，并且将模块的其他输出和最后一个模块的输出连接在一起以保留更多的信息，所述级联模型结构的输出
Figure 486264DEST_PATH_IMAGE013
表示为：
Figure 984242DEST_PATH_IMAGE016
；其中，
Figure 490310DEST_PATH_IMAGE006
指的是第n个模块的输出。与现有技术相比，本申请充分利用了图能很好地捕捉全局节点关系的特性，从而能够更好地提取全局的伪造区域和源区域信息，同时，通过将一个能够自适应建模像素块之间相关性并传递关系信息以更新节点特征的模块串联在一起，能够更好地增强提取到的特征，进一步有效编码图像的复制-粘贴伪造区域，再经过解码器解码后，有效地提高检测复制-粘贴伪造的精度。
继续参阅图3，示出了本申请实施例一提供的获取训练好的复制-粘贴伪造检测网络的一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，在步骤S202之前，还包括：
步骤S301：获取训练数据，其中，训练数据包括携带有标签信息的伪造样本图像；
步骤S302：调用未训练的复制-粘贴伪造检测网络；
步骤S303：将伪造样本图像输入至未训练的复制-粘贴伪造检测网络进行图像检测操作，得到样本图像检测结果；
步骤S304：使用标签信息、样本图像检测结果，构建交叉熵损失函数，并根据交叉熵损失函数，对未训练的复制-粘贴伪造检测网络进行模型训练，得到训练好的复制-粘贴伪造检测网络，其中，交叉熵损失函数表示为：
Figure 706527DEST_PATH_IMAGE017
其中，M表示类别的数量；
Figure 589033DEST_PATH_IMAGE018
是符号函数，如果样本i的真实类别等于c取1，否则取0；
Figure 253101DEST_PATH_IMAGE019
表示观测样本i属于类别c的预测概率。
在本申请实施例中，通过交叉熵损失函数（Cross Entropy Loss）
Figure 930070DEST_PATH_IMAGE020
作为监督最后输出的损失函数，监督模型结构所生成的多分类掩码
Figure 368005DEST_PATH_IMAGE021
，如下公式3表示。
Figure 54201DEST_PATH_IMAGE017
其中M表示类别的数量；
Figure 323508DEST_PATH_IMAGE022
是符号函数，如果样本i的真实类别等于c取1，否则取0；
Figure 436958DEST_PATH_IMAGE019
表示观测样本i属于类别c的预测概率。
交叉熵函数用于使模型预测的掩码输出
Figure 362188DEST_PATH_IMAGE021
更加地逼近真实的监督标签
Figure 586496DEST_PATH_IMAGE023
，以监督整个模型，帮助模型参数向标签的分布学习，本发明的最终目标是最小化损失函数
Figure 913572DEST_PATH_IMAGE024
，以此不断更新优化模型，最终可以精确地检测出图像中经过复制-粘贴伪造的源区域和伪造区域。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）等非易失性存储介质，或随机存储记忆体（Random Access Memory，RAM）等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
进一步参考图4，作为对上述图2所示方法的实现，本申请提供了一种复制粘贴图像识别装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例的复制粘贴图像识别装置200包括：请求接收模块201、第一模型调用模块202、图像特征提取模块203、图节点特征提取模块204、分割模块205以及解码模块206。其中：
请求接收模块201，用于接收携带有待识别图像的图像识别请求；
第一模型调用模块202，用于调用训练好的复制-粘贴伪造检测网络，其中，复制-粘贴伪造检测网络包括图像特征提取模块、自适应图学习模块、空间注意力模块以及解码器；
图像特征提取模块203，用于根据图像特征提取模块对待识别图像进行图像特征提取操作，得到图像特征信息；
图节点特征提取模块204，用于根据自适应图学习模块对图像特征信息进行图节点特征提取操作，得到图节点特征信息；
分割模块205，用于根据空间注意力模块对图节点特征信息进行分割操作，得到分割特征信息；
解码模块206，用于根据解码器对分割特征信息进行解码操作，得到图像识别结果。
在本申请实施例中，图像特征提取模块的输入是大小为320×320×3的图像，其通道个数为3，通过图1的特征提取器，提取特征得到H×W×C为40×40×896的特征图，H、W、C（Height、Weight、Channel），代表的是图片高和宽，C为通道数。
其中block表示一个残差特征块。在特征提取器中四个残差特征块，第一个残差特征块的输入维度是320×320×3，在第一个特征块中只提取了特征的深度信息，未修改特征尺寸，特征维度变为320×320×64；接着按顺序输入到第二、三、四个特征块中，在特征块中经池化和残差连接的操作后，分别输出维度为160×160×128、80×80×256、40×40×512的特征；最后将每个特征的尺寸变换到40×40，并且在深度维度上连接在一起，获得维度为40×40×896的多尺度特征，为后续提取高级特征做准备。
在本申请实施例中，自适应图学习模块通过图像特征提取模块得到了多尺度的特征，首先将得到的多尺度特征输入到ASPP模块以融合和捕捉不同尺度的信息，得到维度为40×40×512的新特征，接着将每个像素块映射到图结构上，得到1600×512维度的图拓扑结构G；同时，将多尺度特征在尺寸的维度展平，并且通过线性映射获得两个可学习向量query、key，维度都为1600×512；然后让query和key进行矩阵运算，以获得一个可以保存全局像素块之间关系的矩阵A，维度为1600×1600，并作为邻接矩阵输入图卷积网络层；最后将图G和邻接矩阵A输入到图卷积层中，以传递学习到的全局像素块之间关系信息，同时聚合更新图的节点特征信息。信息传递和聚合的过程由以下公式表示：
Figure 10973DEST_PATH_IMAGE002
其中，Wg是图卷积中聚合信息和传递信息的可学习参数。
同时，将矩阵A和图卷积层的输出
Figure 157920DEST_PATH_IMAGE001
进行矩阵相乘，得到所述自适应图学习模块的输出F，以达到强化挖掘相似区域的目的，该自适应图学习模块的输出F表示为：
Figure 185919DEST_PATH_IMAGE003
在本实施例的一些可选的实现方式中，复制-粘贴伪造检测网络的自适应图学习模块串联为级联模型结构。在本申请实施例中，由于自适应图学习模块的感受野局限于局部从而缺乏远距离的信息，因此将模块串联起来，形成一个级联的模型结构，以挖掘像素块之间深层次的关系和远距离的信息。与此同时，所级联提出模块的结构能够降低重复使用多个图卷积层出现的过平滑问题。
在级联结构的模型中，我们的设置每个模块的输出都为下一模块的输入，并且将模块的其他输出和最后一个模块的输出连接在一起以保留更多的信息。整个级联结构模型的完成过程如下公式：
Figure 367502DEST_PATH_IMAGE025
其中，
Figure 822754DEST_PATH_IMAGE006
指的是第n个模块的输出。
在本申请实施例中，由自适应图学习模块得到富含多尺度信息和节点间相关性的特征图后，先经过空间注意力模块CAM，以更好地分割复制-粘贴伪造中的源区域、伪造区域和背景，获得维度为40×40×512的新特征作为解码器输入。本申请采用卷积(Conv)的渐进上采样策略，从而减少引入噪声。具体来说，首先，输入解码器的特征图是尺寸大小40×40×512。接着使用卷积使通道数变成256，再采用双线性插值使特征图上采样2倍，尺寸变为80×80×256。因此，总共需要3次类似操作才能从尺寸为40×40的特征图达到全分辨率320×320，再经过一层卷积使通道数从256变为3，再通过激活函数Softmax输出，Softmax用作神经网络的最后一层做分类函数。
在本申请实施例中，提供了一种复制粘贴图像识别装置200，包括：请求接收模块201，用于接收携带有待识别图像的图像识别请求；第一模型调用模块202，用于调用训练好的复制-粘贴伪造检测网络，其中，复制-粘贴伪造检测网络包括图像特征提取模块、自适应图学习模块、空间注意力模块以及解码器；图像特征提取模块203，用于根据图像特征提取模块对待识别图像进行图像特征提取操作，得到图像特征信息；图节点特征提取模块204，用于根据自适应图学习模块对图像特征信息进行图节点特征提取操作，得到图节点特征信息；分割模块205，用于根据空间注意力模块对图节点特征信息进行分割操作，得到分割特征信息；解码模块206，用于根据解码器对分割特征信息进行解码操作，得到图像识别结果；所述自适应图学习模块首先将得到的多尺度特征输入到ASPP模块以融合和捕捉不同尺度的特征信息，并将所述特征信息映射到图结构上，得到图拓扑结构G；其次，展平所述多尺度特征并通过线性映射获得两个可学习向量query以及向量key，对所述向量query以及所述向量key进行矩阵运算，得到邻接矩阵A；将所述图拓扑结构G以及所述邻接矩阵A输入到图卷积层中，得到图卷积层的输出
Figure 784894DEST_PATH_IMAGE001
，最后对所述邻接矩阵A以及所述图卷积层的输出
Figure 351004DEST_PATH_IMAGE001
进行矩阵相乘，得到所述自适应图学习模块的输出F；所述图卷积层的输出
Figure 387093DEST_PATH_IMAGE001
表示为：
Figure 13247DEST_PATH_IMAGE026
；其中，Wg是图卷积中聚合信息和传递信息的可学习参数；所述自适应图学习模块的输出F表示为：
Figure 134786DEST_PATH_IMAGE003
；所述复制-粘贴伪造检测网络的所述自适应图学习模块串联为级联模型结构，所述级联模型结构的每个模块的输出都为下一模块的输入，并且将模块的其他输出和最后一个模块的输出连接在一起以保留更多的信息，所述级联模型结构的输出
Figure 819102DEST_PATH_IMAGE013
表示为：
Figure 975277DEST_PATH_IMAGE016
；其中，
Figure 772332DEST_PATH_IMAGE006
指的是第n个模块的输出。与现有技术相比，本申请充分利用了图能很好地捕捉全局节点关系的特性，从而能够更好地提取全局的伪造区域和源区域信息，同时，通过将一个能够自适应建模像素块之间相关性并传递关系信息以更新节点特征的模块串联在一起，能够更好地增强提取到的特征，进一步有效编码图像的复制-粘贴伪造区域，再经过解码器解码后，有效地提高检测复制-粘贴伪造的精度。
继续参阅图5，示出了本申请实施例二提供的…的一种具体实施方式的结构示意图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，上述复制粘贴图像识别装置100还包括：样本获取模块207、第二模型调用模块208、图像检测模块209以及模型训练模块210，其中：
样本获取模块207，用于获取训练数据，其中，训练数据包括携带有标签信息的伪造样本图像；
第二模型调用模块208，用于调用未训练的复制-粘贴伪造检测网络；
图像检测模块209，用于将伪造样本图像输入至未训练的复制-粘贴伪造检测网络进行图像检测操作，得到样本图像检测结果；
模型训练模块210，用于使用标签信息、样本图像检测结果，构建交叉熵损失函数，并根据交叉熵损失函数，对未训练的复制-粘贴伪造检测网络进行模型训练，得到训练好的复制-粘贴伪造检测网络，其中，交叉熵损失函数表示为：
Figure 381167DEST_PATH_IMAGE017
其中，M表示类别的数量；
Figure 351398DEST_PATH_IMAGE018
是符号函数，如果样本i的真实类别等于c取1，否则取0；
Figure 362079DEST_PATH_IMAGE019
表示观测样本i属于类别c的预测概率。
在本申请实施例中，通过交叉熵损失函数（Cross Entropy Loss）
Figure 330035DEST_PATH_IMAGE027
作为监督最后输出的损失函数，监督模型结构所生成的多分类掩码
Figure 426167DEST_PATH_IMAGE028
，如下公式3表示。
Figure 137771DEST_PATH_IMAGE017
其中M表示类别的数量；
Figure 81587DEST_PATH_IMAGE022
是符号函数，如果样本i的真实类别等于c取1，否则取0；
Figure 220445DEST_PATH_IMAGE019
表示观测样本i属于类别c的预测概率。
交叉熵函数用于使模型预测的掩码输出
Figure 538293DEST_PATH_IMAGE028
更加地逼近真实的监督标签
Figure 53588DEST_PATH_IMAGE023
，以监督整个模型，帮助模型参数向标签的分布学习，本发明的最终目标是最小化损失函数
Figure 38862DEST_PATH_IMAGE027
，以此不断更新优化模型，最终可以精确地检测出图像中经过复制-粘贴伪造的源区域和伪造区域。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图6，图6为本实施例计算机设备基本结构框图。
所述计算机设备300包括通过系统总线相互通信连接存储器310、处理器320、网络接口330。需要指出的是，图中仅示出了具有组件310-330的计算机设备300，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器310至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器310可以是所述计算机设备300的内部存储单元，例如该计算机设备300的硬盘或内存。在另一些实施例中，所述存储器310也可以是所述计算机设备300的外部存储设备，例如该计算机设备300上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。当然，所述存储器310还可以既包括所述计算机设备300的内部存储单元也包括其外部存储设备。本实施例中，所述存储器310通常用于存储安装于所述计算机设备300的操作系统和各类应用软件，例如复制粘贴图像识别方法的计算机可读指令等。此外，所述存储器310还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器320在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器320通常用于控制所述计算机设备300的总体操作。本实施例中，所述处理器320用于运行所述存储器310中存储的计算机可读指令或者处理数据，例如运行所述复制粘贴图像识别方法的计算机可读指令。
所述网络接口330可包括无线网络接口或有线网络接口，该网络接口330通常用于在所述计算机设备300与其他电子设备之间建立通信连接。
本申请提供的计算机设备，充分利用了图能很好地捕捉全局节点关系的特性，从而能够更好地提取全局的伪造区域和源区域信息，同时，通过将一个能够自适应建模像素块之间相关性并传递关系信息以更新节点特征的模块串联在一起，能够更好地增强提取到的特征，进一步有效编码图像的复制-粘贴伪造区域，再经过解码器解码后，有效地提高检测复制-粘贴伪造的精度。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的复制粘贴图像识别方法的步骤。
本申请提供的计算机可读存储介质，充分利用了图能很好地捕捉全局节点关系的特性，从而能够更好地提取全局的伪造区域和源区域信息，同时，通过将一个能够自适应建模像素块之间相关性并传递关系信息以更新节点特征的模块串联在一起，能够更好地增强提取到的特征，进一步有效编码图像的复制-粘贴伪造区域，再经过解码器解码后，有效地提高检测复制-粘贴伪造的精度。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (8)

1.一种复制粘贴图像识别方法，其特征在于，包括下述步骤：
接收携带有待识别图像的图像识别请求；
调用训练好的复制-粘贴伪造检测网络，其中，所述复制-粘贴伪造检测网络包括图像特征提取模块、自适应图学习模块、空间注意力模块以及解码器；
根据所述图像特征提取模块对所述待识别图像进行图像特征提取操作，得到图像特征信息；
根据所述自适应图学习模块对所述图像特征信息进行图节点特征提取操作，得到图节点特征信息；
根据所述空间注意力模块对所述图节点特征信息进行分割操作，得到分割特征信息；
根据所述解码器对所述分割特征信息进行解码操作，得到图像识别结果；
所述自适应图学习模块首先将得到的多尺度特征输入到ASPP模块以融合和捕捉不同尺度的特征信息，并将所述特征信息映射到图结构上，得到图拓扑结构G；其次，展平所述多尺度特征并通过线性映射获得两个可学习向量query以及向量key，对所述向量query以及所述向量key进行矩阵运算，得到邻接矩阵A；将所述图拓扑结构G以及所述邻接矩阵A输入到图卷积层中，得到图卷积层的输出
Figure 392611DEST_PATH_IMAGE001
，最后对所述邻接矩阵A以及所述图卷积层的输出
Figure 53531DEST_PATH_IMAGE001
进行矩阵相乘，得到所述自适应图学习模块的输出F；
所述图卷积层的输出
Figure 978762DEST_PATH_IMAGE001
表示为：
Figure 203070DEST_PATH_IMAGE002
；
其中，Wg是图卷积中聚合信息和传递信息的可学习参数；
所述自适应图学习模块的输出F表示为：
Figure 530146DEST_PATH_IMAGE003
；
所述复制-粘贴伪造检测网络的所述自适应图学习模块串联为级联模型结构，所述级联模型结构的每个模块的输出都为下一模块的输入，并且将模块的其他输出和最后一个模块的输出连接在一起以保留更多的信息，所述级联模型结构的输出
Figure 876814DEST_PATH_IMAGE004
表示为：
Figure 289340DEST_PATH_IMAGE005
；
其中，
Figure 51760DEST_PATH_IMAGE006
指的是第n个模块的输出。
2.根据权利要求1所述的复制粘贴图像识别方法，其特征在于，在所述调用训练好的复制-粘贴伪造检测网络的步骤之前，还包括下述步骤：
获取训练数据，其中，所述训练数据包括携带有标签信息的伪造样本图像；
调用未训练的复制-粘贴伪造检测网络；
将所述伪造样本图像输入至所述未训练的复制-粘贴伪造检测网络进行图像检测操作，得到样本图像检测结果；
使用所述标签信息、所述样本图像检测结果，构建交叉熵损失函数，并根据所述交叉熵损失函数，对所述未训练的复制-粘贴伪造检测网络进行模型训练，得到所述训练好的复制-粘贴伪造检测网络。
3.根据权利要求2所述的复制粘贴图像识别方法，其特征在于，所述交叉熵损失函数表示为：
Figure 233343DEST_PATH_IMAGE007
其中，M表示类别的数量；
Figure 688595DEST_PATH_IMAGE008
是符号函数，如果样本i的真实类别等于c取1，否则取0；
Figure 900002DEST_PATH_IMAGE009
表示观测样本i属于类别c的预测概率。
4.一种复制粘贴图像识别装置，其特征在于，包括：
请求接收模块，用于接收携带有待识别图像的图像识别请求；
第一模型调用模块，用于调用训练好的复制-粘贴伪造检测网络，其中，所述复制-粘贴伪造检测网络包括图像特征提取模块、自适应图学习模块、空间注意力模块以及解码器；
图像特征提取模块，用于根据所述图像特征提取模块对所述待识别图像进行图像特征提取操作，得到图像特征信息；
图节点特征提取模块，用于根据所述自适应图学习模块对所述图像特征信息进行图节点特征提取操作，得到图节点特征信息；
分割模块，用于根据所述空间注意力模块对所述图节点特征信息进行分割操作，得到分割特征信息；
解码模块，用于根据所述解码器对所述分割特征信息进行解码操作，得到图像识别结果；
所述自适应图学习模块首先将得到的多尺度特征输入到ASPP模块以融合和捕捉不同尺度的特征信息，并将所述特征信息映射到图结构上，得到图拓扑结构G；其次，展平所述多尺度特征并通过线性映射获得两个可学习向量query以及向量key，对所述向量query以及所述向量key进行矩阵运算，得到邻接矩阵A；将所述图拓扑结构G以及所述邻接矩阵A输入到图卷积层中，得到图卷积层的输出
Figure 466113DEST_PATH_IMAGE001
，最后对所述邻接矩阵A以及所述图卷积层的输出
Figure 502202DEST_PATH_IMAGE001
进行矩阵相乘，得到所述自适应图学习模块的输出F；
所述图卷积层的输出
Figure 128355DEST_PATH_IMAGE001
表示为：
Figure 515474DEST_PATH_IMAGE002
；
其中，Wg是图卷积中聚合信息和传递信息的可学习参数；
所述自适应图学习模块的输出F表示为：
Figure 682013DEST_PATH_IMAGE003
；
所述复制-粘贴伪造检测网络的所述自适应图学习模块串联为级联模型结构，所述级联模型结构的每个模块的输出都为下一模块的输入，并且将模块的其他输出和最后一个模块的输出连接在一起以保留更多的信息，所述级联模型结构的输出
Figure 838188DEST_PATH_IMAGE010
表示为：
Figure 635243DEST_PATH_IMAGE011
；
其中，
Figure 244079DEST_PATH_IMAGE006
指的是第n个模块的输出。
5.根据权利要求4所述的复制粘贴图像识别装置，其特征在于，所述装置还包括：
样本获取模块，用于获取训练数据，其中，所述训练数据包括携带有标签信息的伪造样本图像；
第二模型调用模块，用于调用未训练的复制-粘贴伪造检测网络；
图像检测模块，用于将所述伪造样本图像输入至所述未训练的复制-粘贴伪造检测网络进行图像检测操作，得到样本图像检测结果；
模型训练模块，用于使用所述标签信息、所述样本图像检测结果，构建交叉熵损失函数，并根据所述交叉熵损失函数，对所述未训练的复制-粘贴伪造检测网络进行模型训练，得到所述训练好的复制-粘贴伪造检测网络。
6.根据权利要求5所述的复制粘贴图像识别装置，其特征在于，所述交叉熵损失函数表示为：
Figure 230620DEST_PATH_IMAGE012
其中，M表示类别的数量；
Figure 241302DEST_PATH_IMAGE008
是符号函数，如果样本i的真实类别等于c取1，否则取0；
Figure 209258DEST_PATH_IMAGE009
表示观测样本i属于类别c的预测概率。
7.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至3中任一项所述的复制粘贴图像识别方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至3中任一项所述的复制粘贴图像识别方法的步骤。
CN202210675471.7A 2022-06-15 2022-06-15 一种复制粘贴图像识别方法、装置、计算机设备及存储介质 Active CN114764858B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210675471.7A CN114764858B (zh) 2022-06-15 2022-06-15 一种复制粘贴图像识别方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210675471.7A CN114764858B (zh) 2022-06-15 2022-06-15 一种复制粘贴图像识别方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN114764858A CN114764858A (zh) 2022-07-19
CN114764858B true CN114764858B (zh) 2022-11-01

Family

ID=82365329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210675471.7A Active CN114764858B (zh) 2022-06-15 2022-06-15 一种复制粘贴图像识别方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN114764858B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2013200386A1 (en) * 2005-12-30 2013-02-21 Innovation Institute Llc An adjustable pet door
CN103164856A (zh) * 2013-03-07 2013-06-19 南京工业大学 一种基于稠密sift流的视频复制粘贴盲检测方法
CN112862064A (zh) * 2021-01-06 2021-05-28 西北工业大学 一种基于自适应图学习的图嵌入方法
WO2021147257A1 (zh) * 2020-01-20 2021-07-29 上海商汤智能科技有限公司 网络训练、图像处理方法及装置、电子设备和存储介质
CN113487061A (zh) * 2021-05-28 2021-10-08 山西云时代智慧城市技术发展有限公司 一种基于图卷积-Informer模型的长时序交通流量预测方法
CN113537580A (zh) * 2021-06-28 2021-10-22 中科领航智能科技(苏州)有限公司 一种基于自适应图学习的公共交通客流预测方法及系统
CN114219014A (zh) * 2021-11-26 2022-03-22 合肥工业大学 一种基于脑电的自注意力图池化抑郁障碍识别分类方法

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8194938B2 (en) * 2009-06-02 2012-06-05 George Mason Intellectual Properties, Inc. Face authentication using recognition-by-parts, boosting, and transduction
TWI417813B (zh) * 2010-12-16 2013-12-01 Ind Tech Res Inst 可串接式相機竄改偵測收發器模組
CN107657259A (zh) * 2017-09-30 2018-02-02 平安科技（深圳）有限公司 图像篡改检测方法、电子装置及可读存储介质
KR101993266B1 (ko) * 2018-12-19 2019-06-26 주식회사 로민 영상 위변조 검출을 위한 가변모델 설계 및 학습방법과, 이를 이용한 영상 위변조 검출방법
US10839543B2 (en) * 2019-02-26 2020-11-17 Baidu Usa Llc Systems and methods for depth estimation using convolutional spatial propagation networks
EP3987483A4 (en) * 2019-06-24 2023-03-01 Insurance Services Office, Inc. MACHINE LEARNING SYSTEMS AND METHODS FOR ENHANCED IMAGE FALSIFICATION LOCATION
CN111080629B (zh) * 2019-12-20 2021-10-22 河北工业大学 一种图像拼接篡改的检测方法
CN111080628B (zh) * 2019-12-20 2023-06-20 湖南大学 图像篡改检测方法、装置、计算机设备和存储介质
US11620829B2 (en) * 2020-09-30 2023-04-04 Snap Inc. Visual matching with a messaging application
CN112465783B (zh) * 2020-11-26 2023-12-08 泰康保险集团股份有限公司 一种图像篡改检测方法和装置
CN112988723A (zh) * 2021-02-09 2021-06-18 北京工业大学 一种基于空间自注意力图卷积循环神经网络的交通数据修复方法
CN112801404B (zh) * 2021-02-14 2024-03-22 北京工业大学 一种基于自适应空间自注意力图卷积的交通预测方法
CN113129261A (zh) * 2021-03-11 2021-07-16 重庆邮电大学 一种基于双流卷积神经网络的图像篡改检测方法
CN113065489A (zh) * 2021-04-12 2021-07-02 天津中科虹星科技有限公司 基于图卷积的虹膜图像分类方法
CN113744153B (zh) * 2021-09-02 2023-08-25 深圳大学 双分支图像修复伪造检测方法、系统、设备及存储介质
CN113778719B (zh) * 2021-09-16 2024-02-02 北京中科智眼科技有限公司 基于复制粘贴的异常检测算法
CN114418840A (zh) * 2021-12-15 2022-04-29 深圳先进技术研究院 一种基于注意力机制的图像拼接定位检测方法
CN114491200A (zh) * 2022-01-24 2022-05-13 深圳依时货拉拉科技有限公司 基于图神经网络的异源兴趣点匹配方法和装置
CN114548296A (zh) * 2022-02-24 2022-05-27 深圳大学 一种基于自适应框架的图卷积推荐方法及相关装置
CN114612476B (zh) * 2022-05-13 2022-07-22 南京信息工程大学 一种基于全分辨率混合注意力机制的图像篡改检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2013200386A1 (en) * 2005-12-30 2013-02-21 Innovation Institute Llc An adjustable pet door
CN103164856A (zh) * 2013-03-07 2013-06-19 南京工业大学 一种基于稠密sift流的视频复制粘贴盲检测方法
WO2021147257A1 (zh) * 2020-01-20 2021-07-29 上海商汤智能科技有限公司 网络训练、图像处理方法及装置、电子设备和存储介质
CN112862064A (zh) * 2021-01-06 2021-05-28 西北工业大学 一种基于自适应图学习的图嵌入方法
CN113487061A (zh) * 2021-05-28 2021-10-08 山西云时代智慧城市技术发展有限公司 一种基于图卷积-Informer模型的长时序交通流量预测方法
CN113537580A (zh) * 2021-06-28 2021-10-22 中科领航智能科技(苏州)有限公司 一种基于自适应图学习的公共交通客流预测方法及系统
CN114219014A (zh) * 2021-11-26 2022-03-22 合肥工业大学 一种基于脑电的自注意力图池化抑郁障碍识别分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"Image splicing forgery detection combining coarse to refined convolutional neural network and adaptive clustering";XIAO Bin等;《Information Sciences》;20201231(第511期);第172-191页 *
"Multi-semantic CRF-based attention model for image forgery detection and localization";Rao Yuan等;《Signal Processing》;20211231(第183期);第51-57页 *
"结合时空注意力机制和自适应图卷积网络的骨架行为识别";张家想等;《信号处理》;20210731;第37卷(第7期);第1226-1234页 *
"自适应图学习诱导的子空间聚类";朱丹等;《计算机工程与应用》;20201231;第56卷(第21期);第30-37页 *

Also Published As

Publication number Publication date
CN114764858A (zh) 2022-07-19

Similar Documents

Publication Publication Date Title
CN112685565A (zh) 基于多模态信息融合的文本分类方法、及其相关设备
WO2022105125A1 (zh) 图像分割方法、装置、计算机设备及存储介质
CN111275107A (zh) 一种基于迁移学习的多标签场景图像分类方法及装置
CN112101437A (zh) 基于图像检测的细粒度分类模型处理方法、及其相关设备
CN113066002A (zh) 对抗样本的生成方法、神经网络的训练方法、装置及设备
CN112528029A (zh) 文本分类模型处理方法、装置、计算机设备及存储介质
CN113869138A (zh) 多尺度目标检测方法、装置及计算机可读存储介质
CN112686243A (zh) 智能识别图片文字的方法、装置、计算机设备及存储介质
CN112330331A (zh) 基于人脸识别的身份验证方法、装置、设备及存储介质
CN114398477A (zh) 基于知识图谱的政策推荐方法及其相关设备
CN113505601A (zh) 一种正负样本对构造方法、装置、计算机设备及存储介质
CN114420107A (zh) 基于非自回归模型的语音识别方法及相关设备
CN112651399A (zh) 检测倾斜图像中同行文字的方法及其相关设备
CN113240071A (zh) 图神经网络处理方法、装置、计算机设备及存储介质
CN114764858B (zh) 一种复制粘贴图像识别方法、装置、计算机设备及存储介质
CN115273110A (zh) 基于TensorRT的文本识别模型部署方法、装置、设备及存储介质
CN115730603A (zh) 基于人工智能的信息提取方法、装置、设备及存储介质
CN111695441B (zh) 图像文档处理方法、装置及计算机可读存储介质
CN114241411A (zh) 基于目标检测的计数模型处理方法、装置及计算机设备
CN112395450A (zh) 图片文字检测方法、装置、计算机设备及存储介质
CN112036501A (zh) 基于卷积神经网络的图片的相似度检测方法及其相关设备
CN113743721A (zh) 营销策略生成方法、装置、计算机设备及存储介质
CN112417886A (zh) 意图实体信息抽取方法、装置、计算机设备及存储介质
CN112396111A (zh) 文本意图分类方法、装置、计算机设备及存储介质
CN113420628B (zh) 一种群体行为识别方法、装置、计算机设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant