CN118015441A - 一种篡改检测方法、装置、存储介质及电子设备 - Google Patents

一种篡改检测方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN118015441A
CN118015441A CN202410077301.8A CN202410077301A CN118015441A CN 118015441 A CN118015441 A CN 118015441A CN 202410077301 A CN202410077301 A CN 202410077301A CN 118015441 A CN118015441 A CN 118015441A
Authority
CN
China
Prior art keywords
image
feature
feature map
sample
edge
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.)
Pending
Application number
CN202410077301.8A
Other languages
English (en)
Inventor
赵诗云
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202410077301.8A priority Critical patent/CN118015441A/zh
Publication of CN118015441A publication Critical patent/CN118015441A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/95—Pattern authentication; Markers therefor; Forgery detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

本说明书实施例公开了一种篡改检测方法、装置、存储介质及电子设备，包括：对待检测图像进行特征提取处理，得到与待检测图像对应的第一特征图，然后基于第一特征图进行篡改边缘信息提取处理，得到待检测图像对应的篡改边缘特征图，以篡改边缘信息为引导，基于第一特征图和篡改边缘特征图融合生成第二特征图，最后基于第二特征图进行篡改检测，得到包含预测篡改区域的篡改检测图像。

Description

一种篡改检测方法、装置、存储介质及电子设备
技术领域
本发明涉及计算机技术，尤其涉及一种篡改检测方法、装置、存储介质及电子设备。
背景技术
近年来，随着互联网的高速发展，人们可以通过线上办理各种事务以及线上进行相关证件的校验。
证件篡改检测是线上证件校验过程中保证证件安全、防止个人信息泄露的关键检测环节，相关技术中，证件篡改检测可基于深层学习的神经网络模型实现。证件篡改检测的准确性对线上证件校验的安全性有着直接关联，为实现更高水准安全性的线上证件校验，提升证件篡改检测的准确性势在必行。
发明内容
本说明书实施例提供一种篡改检测方法，该方法通过提取篡改边缘信息，利用篡改边缘信息为引导，结合待检测图像的图像特征进行篡改检测，可以提升篡改检测准确性，所述方法包括：
对待检测图像进行特征提取处理，得到与所述待检测图像对应的第一特征图；
基于所述第一特征图进行篡改边缘信息提取处理，得到所述待检测图像对应的篡改边缘特征图；
基于所述第一特征图和所述篡改边缘特征图融合生成第二特征图；
基于所述第二特征图进行篡改检测，得到包含预测篡改区域的篡改检测图像。
进一步地，在一些实施方式中，所述对所述待检测图像进行特征提取处理之前，还包括：
获取所述待检测图像对应的模板图像；
对所述模板图像和所述待检测图像进行图像差异比较，得到包含图像差异特征的差异图像；
所述对所述待检测图像进行特征提取处理，得到与所述待检测图像对应的第一特征图，包括：
对所述差异图像进行特征提取处理，得到与所述待检测图像对应的第一特征图。
进一步地，在一些实施方式中，所述对所述待检测图像进行特征提取处理，得到与所述待检测图像对应的第一特征图，包括：
对所述待检测图像进行特征提取处理，得到与所述待检测图像对应的不同尺度大小的第一特征图；
所述基于所述第一特征图进行篡改边缘信息提取处理，得到所述待检测图像对应的篡改边缘特征图，包括：
在各所述第一特征图中选择至少两个第一特征图进行特征融合处理，得到第三特征图；
对所述第三特征图进行篡改边缘信息提取处理，得到所述篡改边缘特征图。
进一步地，在一些实施方式中，所述基于所述第一特征图和所述篡改边缘特征图融合生成第二特征图，包括：
将所述篡改边缘特征图和不同尺度的各所述第一特征图分别进行特征融合处理，得到与各所述第一特征图分别对应的第四特征图；
基于各所述第四特征图进行跨尺度交互学习，生成包含多尺度上下文特征的第二特征图。
进一步地，在一些实施方式中，所述将所述篡改边缘特征图和不同尺度的各所述第一特征图分别进行特征融合处理，得到与各所述第一特征图分别对应的第四特征图，包括：
将所述篡改边缘特征图和所述第一特征图进行融合处理，得到第一融合特征图；
对所述第一融合特征图进行全局平均池化，得到所述第一融合特征图中各特征通道分别对应的聚合卷积特征；
基于所述各特征通道分别对应的聚合卷积特征生成各特征通道分别对应的通道注意力权重；
基于所述各特征通道分别对应的通道注意力权重对所述第一融合特征图进行加权，得到与所述第一特征图对应的第四特征图。
进一步的，在一些实施方式中，各所述第四特征图包括第一尺度特征图和第二尺度特征图，所述基于各所述第四特征图进行跨尺度交互学习，生成包含多尺度上下文特征的第二特征图，包括：
将所述第一尺度特征图和所述第二尺度特征图进行融合处理，得到第二融合特征图；
将所述第二融合特征图沿通道维度拆分为预设数量的通道维度特征图；
对各所述通道维度特征图进行跨尺度交互学习，生成包含多尺度上下文特征的第二特征图。
本说明书实施例还提供一种篡改检测模型训练方法，方法包括：
获取样本待检测图像、所述样本待检测图像对应的篡改边缘图像和篡改区域图像；
基于所述篡改检测模型中的特征提取网络对所述样本待检测图像进行特征提取处理，得到与所述样本待检测图像对应的样本第一特征图；
基于所述篡改检测模型中的边缘感知网络对样本第一特征图进行篡改边缘信息提取处理，得到所述样本待检测图像对应的样本篡改边缘特征图；
基于所述篡改检测模型中的边缘引导网络对所述样本第一特征图和所述样本篡改边缘特征图进行融合处理，生成样本第二特征图；
基于所述篡改检测模型中的篡改检测网络对所述样本第二特征图进行篡改检测，得到包含预测篡改区域的样本篡改检测图像；
以所述篡改边缘图像和所述样本篡改边缘特征图的差异最小化和所述篡改区域图像和所述样本篡改检测图像的差异最小化为优化目标，调整所述篡改检测模型的模型参数。
本说明书实施例还提出了一种篡改检测装置，包括：
第一特征提取模块，用于对待检测图像进行特征提取处理，得到与所述待检测图像对应的第一特征图；
第一边缘提取模块，用于基于所述第一特征图进行篡改边缘信息提取处理，得到所述待检测图像对应的篡改边缘特征图；
第一边缘引导模块，用于基于所述第一特征图和所述篡改边缘特征图融合生成第二特征图；
第一篡改检测模块，用于基于所述第二特征图进行篡改检测，得到包含预测篡改区域的篡改检测图像。
本说明书实施例还提供一种篡改检测模型训练装置，包括：
训练样本获取模块，用于获取样本待检测图像、所述样本待检测图像对应的篡改边缘图像和篡改区域图像；
第二特征提取模块，用于基于所述篡改检测模型中的特征提取网络对所述样本待检测图像进行特征提取处理，得到与所述样本待检测图像对应的样本第一特征图；
第二边缘提取模块，用于基于所述篡改检测模型中的边缘感知网络对样本第一特征图进行篡改边缘信息提取处理，得到所述样本待检测图像对应的样本篡改边缘特征图；
第二边缘引导模块，用于基于所述篡改检测模型中的边缘引导网络对所述样本第一特征图和所述样本篡改边缘特征图进行融合处理，生成样本第二特征图；
第二篡改检测模块，用于基于所述篡改检测模型中的篡改检测网络对所述样本第二特征图进行篡改检测，得到包含预测篡改区域的样本篡改检测图像；
模型参数调整模块，用于以所述篡改边缘图像和所述样本篡改边缘特征图的差异最小化和所述篡改区域图像和所述样本篡改检测图像的差异最小化为优化目标，调整所述篡改检测模型的模型参数。
本说明书实施例还提供一种计算机程序产品，所述计算机程序产品存储有至少一条指令，所述至少一条指令适于由处理器加载并执行上述的方法步骤。
本说明书实施例还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序适于由处理器加载并执行上述的方法的步骤。
本说明书实施例还提供一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法的步骤。
本说明书实施例所述的篡改检测方法的有益效果在于，通过对待检测图像进行特征提取处理，得到与待检测图像对应的第一特征图，然后基于第一特征图进行篡改边缘信息提取处理，得到待检测图像对应的篡改边缘特征图，以篡改边缘信息为引导，基于第一特征图和篡改边缘特征图融合生成第二特征图，最后基于第二特征图进行篡改检测，得到包含预测篡改区域的篡改检测图像。在篡改检测过程中，首先提取待检测图像中的篡改边缘信息，然后以篡改边缘为引导结合所提取的待检测图像的图像特征进行篡改检测，可以提升篡改检测的准确性。
附图说明
图1为本说明书实施例提供了一种篡改检测方法的流程示意图；
图2为本说明书实施例提供的一种篡改检测方法的流程图；
图3为本说明书实施例提供的一种篡改检测方法的流程示意图；
图4为本说明书实施例提供的一种篡改检测方法的流程示意图；
图5为本说明书实施例提供的一种篡改检测方法的流程图；
图6为本说明书实施例提供的一种篡改检测模型训练方法的流程示意图；
图7为本说明书实施例提供的一种篡改检测装置的结构示意图；
图8为本说明书实施例提供的一种篡改检测装置的结构示意图；
图9为本说明书实施例提供的一种篡改检测模型训练装置的结构示意图；
图10为本说明书实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
请参见图1，为本说明书实施例提供了一种篡改检测方法的流程示意图。在本说明书实施例中，所述篡改检测方法应用于篡改检测装置或配置有篡改检测装置的电子设备。下面将针对图1所示的流程进行详细的阐述，所述篡改检测方法具体可以包括以下步骤：
S102，对待检测图像进行特征提取处理，得到与待检测图像对应的第一特征图；
其中，待检测图像为需要进行篡改检测的图像。可以为证件图像。
在本说明书一个或多个实施例中，在获取得到待检测图像之后，对待检测图像进行特征提取处理，提取待检测图像的图像特征，得到与待检测图像对应的第一特征图。
在一些实施例中，可以基于深度神经网络对待检测图像进行特征提取。其中，深度神经网络可以为Res2Net-50网络。
S104，基于第一特征图进行篡改边缘信息提取处理，得到待检测图像对应的篡改边缘特征图；
在本说明书一个或多个实施例中，在得到与待检测图像对应的第一特征图之后，从第一特征图中篡改区域对应的篡改边缘信息，提取得到包含篡改边缘信息的篡改边缘特征图。
可以理解的的是，若待检测图像为被篡改的证件图像，则从第一特征图中提取被篡改区域的边缘信息特征。
一种可行的实施方式中，利用预设置的卷积神经网络和Sigmoid函数从第一特征图中挖掘篡改边缘信息，得到包含篡改边缘信息的篡改边缘特征图。
S106，基于第一特征图和篡改边缘特征图融合生成第二特征图；
在本说明书一个或多个实施例中，在得到包含篡改边缘信息的篡改边缘特征图之后，将篡改边缘特征图和第一特征图进行特征融合，生成第二特征图，以使第二特征图中既包含待检测图像的全局图像特征信息，也包含篡改边缘信息。
S108，基于第二特征图进行篡改检测，得到包含预测篡改区域的篡改检测图像。
在本说明书一个或多个实施例中，在得到第二特征图之后，以第二特征图中的篡改边缘信息为引导，对第二特征图进行篡改检测，检测生成包含预测篡改区域的篡改检测图像。
可选的，篡改检测图像可以为掩膜图像，其中示出篡改区域的位置和大小。
请参见图2，为本说明书实施例提供的一种篡改检测方法的流程图。如图2所示，对待检测图像进行特征提取处理，得到与待检测图像对应的第一特征图，然后基于第一特征图进行篡改边缘信息提取处理，得到待检测图像对应的篡改边缘特征图，然后将篡改边缘图像和第一特征图进行融合，得到第二特征图，基于第二特征图进行篡改检测，得到篡改检测结果，即篡改检测图像。
在本说明书实施例中，通过对待检测图像进行特征提取处理，得到与待检测图像对应的第一特征图，然后基于第一特征图进行篡改边缘信息提取处理，得到待检测图像对应的篡改边缘特征图，以篡改边缘信息为引导，基于第一特征图和篡改边缘特征图融合生成第二特征图，最后基于第二特征图进行篡改检测，得到包含预测篡改区域的篡改检测图像。在篡改检测过程中，首先提取待检测图像中的篡改边缘信息，然后以篡改边缘为引导结合所提取的待检测图像的图像特征进行篡改检测，可以提升篡改检测的准确性。
请参见图3，为本说明书实施例提供的一种篡改检测方法的流程示意图。如图3所示，所述方法包括如下步骤：
S202，获取待检测图像对应的模板图像；
S204，对模板图像和待检测图像进行图像差异比较，得到包含图像差异特征的差异图像；
在本实施例中，在获取得到待检测图像之后，首先根据待检测图像的类别获取待检测图像对应的模板图像，然后将待检测图像和模板图像进行差异比较，得到包含图像差异特征的差异图像。
可以理解的是，待检测图像可以为证件图像，而同一类别的证件图像具有固定内容排版的证件模板。在得到待检测图像之后，将待检测图像和对应的模板图像进行对比，若待检测图像为被篡改过的证件图像，则待检测图像和模板图像之间必然存在由篡改所留下的差异特征，经过对比后生成模板图像和待检测图像之间差异特征的差异图像。
一种可行的实施方式中，将模板图像和待检测图像分别通过不同的卷积层提取图像特征，得到模板图像对应的第一图像特征和待检测图像对应的第二图像特征，对第一图像特征和第二图像特征进行diff操作，生成diff图像，该diff图像即为差异图像，其中包括了模板图像和待检测图像之间差异特征。
S206，对差异图像进行特征提取处理，得到与待检测图像对应的第一特征图；
可以理解的是，在步骤S202和步骤S204中，将模板图像和待检测图像进行图像差异比较，得到了包含图像差异特征的差异图像，在此基础上对差异图像进行特征提取处理，由于差异图像中包括了模板图像和待检测图像之间差异特征，使得更容易提取到包含更多篡改特征的第一特征图。进而，提升篡改检测的准确率。
S208，基于第一特征图进行篡改边缘信息提取处理，得到待检测图像对应的篡改边缘特征图；
步骤S208请参见本说明书另一实施例中对步骤S104的详细描述，在此不再赘述。
S210，基于第一特征图和篡改边缘特征图融合生成第二特征图；
步骤S210请参见本说明书另一实施例中对步骤S106的详细描述，在此不再赘述。
S212，基于第二特征图进行篡改检测，得到包含预测篡改区域的篡改检测图像。
步骤S212请参见本说明书另一实施例中对步骤S108的详细描述，在此不再赘述。
在本说明书实施例中，在进行特征提取处理之前，首先将待检测图像和模板图像进行对比，得到包含差异特征的差异图像，然后提取差异图像的图像特征得到第一特征图，然后基于第一特征图进行篡改边缘信息提取处理，得到待检测图像对应的篡改边缘特征图，以篡改边缘信息为引导，基于第一特征图和篡改边缘特征图融合生成第二特征图，最后基于第二特征图进行篡改检测，得到包含预测篡改区域的篡改检测图像。在篡改检测过程中，首先提取待检测图像中的篡改边缘信息，然后以篡改边缘为引导结合所提取的待检测图像的图像特征进行篡改检测，可以提升篡改检测的准确性。
请参见图4，为本说明书实施例提供的一种篡改检测方法的流程示意图。如图4所示，包括如下步骤：
S302，对待检测图像进行特征提取处理，得到与待检测图像对应的不同尺度大小的第一特征图；
步骤S302至步骤S312请参见图5，为本说明书实施例提供的一种篡改检测方法的流程图。
在本说明书一个或多个实施例中，在获取得到待检测图像之后，将待检测图像输入至用于特征提取的深度神经网络中对待检测图像进行特征提取处理，提取待检测图像的多级图像特征，得到与待检测图像对应的不同尺度大小的第一特征图。
在一些实施例中，深度神经网络可以为Res2Net-50网络。
可以理解的是，通过输出多尺度的第一特征图，可在篡改检测过程中，利用多尺度特征图间的上下文信息，有助于增强特征，提升篡改检测的准确性。
S304，在各第一特征图中选择至少两个第一特征图进行特征融合处理，得到第三特征图；
S306，对第三特征图进行篡改边缘信息提取处理，得到篡改边缘特征图；
其中，在不同尺度大小的第一特征图中，各第一特征图中分别侧重特征信息不同。在本说明书一个或多个实施例中，可以在各第一特征图中任选两个不同尺度的特征图进行特征融合处理，得到第三特征图，第三特征图用于篡改边缘信息的提取，从而得到包含篡改边缘信息的篡改边缘特征图。
可选的，不同尺度大小的第一特征图中可以包括包含局部边缘特征的低级特征图以及包含全局位置信息的高级特征图。将该低级特征图和该高级特征图进行特征融合处理，得到第三特征图。
一种可行的实施方式中，包含局部边缘特征的低级特征图以及包含全局位置信息的高级特征图，使用使用两个1×1卷积层将低级特征图和高级特征图进行变换，其中，将低级特征图变换为64维以及将高级特征图变换为256维。然后对256维的高级特征图进行上采样处理，得到64维的高级特征图，然后通过串联操作将64维的低级特征图和64维的高级特征图进行串联操作，得到串联特征图，将串联特征图依次经过两个3×3卷积层和一个1×1卷积层，最后基于Sigmoid函数，生成包含篡改边缘信息的第三特征图。
S308，将篡改边缘特征图和不同尺度的各第一特征图分别进行特征融合处理，得到与各第一特征图分别对应的第四特征图；
在本说明书一个或多个实施例中，在提取得到包含篡改边缘信息的篡改边缘特征图之后，将篡改边缘特征图和不同尺度的各第一特征图分别进行特征融合处理，得到与各第一特征图分别对应的第四特征图。
可以理解的是，篡改边缘特征图包括所提取的篡改边缘信息，第一特征图为包含图像全局特征的特征图，将篡改边缘特征图和第一特征图进行融合，得到第四特征图，相当于为第一特征图增加了篡改边缘信息的线索特征，使得第四特征图相比原第一特征图具有更强的篡改区域特征，有利于提升篡改检测准确性。
需要说明的是，由于各第一特征图的尺度大小不同，则融合篡改边缘特征图后，依然得到不同尺度大小的第四特征图，第四特征图的尺度大小与第一特征图的尺度大小相同。在将篡改边缘特征图和不同尺度的各第一特征图分别进行特征融合处理的时候，若第一特征图和篡改边缘特征图的尺度大小不同，则通过上采样或下采样的方式改变篡改边缘特征图的尺度，使尺度相同，再进行特征融合。
可选的，在一些实施例中，将篡改边缘特征图和不同尺度的各第一特征图分别进行特征融合处理，可以为：将篡改边缘特征图和第一特征图进行融合处理，得到第一融合特征图，然后对第一融合特征图进行全局平均池化，得到第一融合特征图中各特征通道分别对应的聚合卷积特征，再基于各特征通道分别对应的聚合卷积特征生成各特征通道分别对应的通道注意力权重，最后基于各特征通道分别对应的通道注意力权重对第一融合特征图进行加权，得到与第一特征图对应的第四特征图。
可以理解的是，通过计算第一融合特征图中各特征通道分别对应的注意力权重，然后将计算的注意力权重加权至第一融合特征图中，可以使得加权后的第四特征图突出关键特征通道并抑制冗余通道，增强第四特征图中对篡改区域特征的特征表示，以提升篡改预测准确性。
S310，基于各第四特征图进行跨尺度交互学习，生成包含多尺度上下文特征的第二特征图；
可以理解的是，将篡改边缘特征图和各第一特征图分别进行融合，得到各第四特征图，然后由于各第四特征图的尺度大小不同，则可在不同尺度的第四特征图之间，采用跨尺度交互学习的方式，聚合不同尺度间的上下文特征，得到第二特征图，以增强特征表示。
一个实施例中，当第四特征图的数量为两个，各第四特征图包括第一尺度特征图和第二尺度特征图时，则基于各第四特征图进行跨尺度交互学习，生成包含多尺度上下文特征的第二特征图，可以为：将第一尺度特征图和第二尺度特征图进行融合处理，得到第二融合特征图，将第二融合特征图沿通道维度拆分为预设数量的通道维度特征图，对各通道维度特征图进行跨尺度交互学习，生成包含多尺度上下文特征的第二特征图。采用跨尺度交互学习的方式，聚合不同通道维度间的上下文特征，得到第二特征图，以增强特征表示，进而提升篡改检测准确性
S312，基于第二特征图进行篡改检测，得到包含预测篡改区域的篡改检测图像。
在本说明书实施例中，通过提取待检测图像中不同尺度大小的第一特征图，并在第一特征图中提取篡改边缘信息，通过跨尺度学习的方式，融合不同尺度间的上下文特征，增强第二特征图中的特征表示，使得基于第二特征图进行篡改检测得到的篡改检测结果更加准确，并且在篡改检测过程中，利用提取的篡改边缘信息为引导，结合待检测图像的图像特征进行篡改检测，进一步提升了篡改检测的准确性。
请参见图6，为本说明书实施例提供的一种篡改检测模型训练方法的流程示意图。如图6所示，包括如下步骤：
S402，获取样本待检测图像、样本待检测图像对应的篡改边缘图像和篡改区域图像；
需要说明的是，预构建用于训练篡改检测模型的训练样本数据集，该训练样本数据集包括各训练样本数据，每一项训练样本数据包括样本待检测图像、样本待检测图像对应的篡改边缘图像以及样本待检测图像对应的篡改区域图像。其中，样本待检测图像为用于训练篡改检测模型的样本图像，篡改区域图像为包含样本待检测图像中篡改区域边缘信息的图像，篡改区域图像为包含样本待检测图像中篡改区域的图像，篡改区域图像可以包括篡改区域的位置和大小等信息，篡改区域图像可以为掩膜图像。
S404，基于篡改检测模型中的特征提取网络对样本待检测图像进行特征提取处理，得到与样本待检测图像对应的样本第一特征图；
在本说明书一个或多个实施例中，将样本待检测图像输入至预搭建的篡改检测模型中，利用篡改检测模型中的特征提取网络对样本待检测图像进行特征提取处理，得到与样本待检测图像对应的样本第一特征图。
其中，特征提取网络为篡改检测模型的主干网络，可以为Res2Net-50网络。
S406，基于篡改检测模型中的边缘感知网络对样本第一特征图进行篡改边缘信息提取处理，得到样本待检测图像对应的样本篡改边缘特征图；
在对样本待检测图像进行特征提取处理得到第一特征图之后，利用篡改检测模型中的边缘感知网络从样本第一特征图中提取篡改边缘信息，得到包含篡改边缘信息的样本篡改边缘特征图。
S408，基于篡改检测模型中的边缘引导网络对样本第一特征图和样本篡改边缘特征图进行融合处理，生成样本第二特征图；
在得到样本篡改边缘特征图之后，由篡改检测模型中的边缘引导网络对样本第一特征图和样本篡改边缘特征图进行融合处理，得到样本第二特征图。
需要说明的是，特征提取网络用于样本待检测图像进行全局特征提取，得到的样本第一特征图包含样本待检测图像的全局图形特征，边缘感知网络用语从样本第一特征图中提取篡改边缘信息特征，通过将样本第一特征图和样本篡改边缘特征图进行融合，可以使样本第二特征图中既包含待检测图像的全局图像特征信息，也包含篡改边缘信息。
S410，基于篡改检测模型中的篡改检测网络对样本第二特征图进行篡改检测，得到包含预测篡改区域的样本篡改检测图像；
可以理解的是，篡改检测网络根据样本第二特征图中的图像特征，对样本第二特征图进行篡改检测，检测生成包含预测篡改区域的样本篡改检测图像。
S412，以篡改边缘图像和样本篡改边缘特征图的差异最小化和篡改区域图像和样本篡改检测图像的差异最小化为优化目标，调整篡改检测模型的模型参数。
其中，篡改边缘图像中包括样本待检测图像真实的篡改边缘信息，样本篡改边缘特征图包含预测的篡改边缘信息。篡改区域图像中包括样本待检测图像真实的篡改区域信息，样本篡改检测图像包含预测的篡改区域信息。
本说明书实施例中，以篡改边缘图像和样本篡改边缘特征图的差异最小化和篡改区域图像和样本篡改检测图像的差异最小化为优化目标，调整篡改检测模型的模型参数，使得篡改检测模型对样板待检测图像预测结果更加接近真实结果。
在本说明书实施例中，通过对样本待检测图像进行特征提取处理，得到与样本待检测图像对应的样本第一特征图，然后基于样本第一特征图进行篡改边缘信息提取处理，得到样本待检测图像对应的样本篡改边缘特征图，以篡改边缘信息为引导，基于样本第一特征图和样本篡改边缘特征图融合生成样本第二特征图，最后基于样本第二特征图进行篡改检测，得到包含预测篡改区域的样本篡改检测图像。在篡改检测的过程中，以篡改边缘为引导结合所提取的样本待检测图像的图像特征进行篡改检测，可以显著提升篡改检测的准确性，在训练调整过程中，以篡改边缘图像和样本篡改边缘特征图的差异最小化和篡改区域图像和样本篡改检测图像的差异最小化为优化目标，调整篡改检测模型的模型参数，两个优化目标有助于提升模型训练速度和模型训练效果。
一个实施例中，篡改检测模型对样本待检测图像的篡改检测过程，可以为：基于篡改检测模型中的特征提取网络对样本待检测图像进行特征提取处理，得到与样本待检测图像对应的不同尺度大小的样本第一特征图，然后在各样本第一特征图中任选两个不同尺度的特征图基于所述篡改检测模型中的边缘感知网络进行特征融合处理，得到样本第三特征图，对样本第三特征图进行篡改边缘信息提取处理，得到样本篡改边缘特征图，基于所述篡改检测模型中的边缘引导网络将样本篡改边缘特征图和不同尺度的各样本第一特征图分别进行特征融合处理，得到与各样本第一特征图分别对应的样本第四特征图，再基于各样本第四特征图进行跨尺度交互学习，生成包含多尺度上下文特征的样本第二特征图，最后基于样本第二特征图进行篡改检测，得到包含预测篡改区域的样本篡改检测图像。
可选的，将样本篡改边缘特征图和不同尺度的各样本第一特征图分别进行特征融合处理，得到与各样本第一特征图分别对应的样本第四特征图，可以为：将样本篡改边缘特征图和样本第一特征图进行融合处理，得到样本第一融合特征图，对样本第一融合特征图进行全局平均池化，得到样本第一融合特征图中各特征通道分别对应的聚合卷积特征，基于各特征通道分别对应的聚合卷积特征生成各特征通道分别对应的通道注意力权重，基于各特征通道分别对应的通道注意力权重对样本第一融合特征图进行加权，得到与样本第一特征图对应的样本第四特征图。
一个实施例中，将待检测图像输入至训练完成的篡改检测模型，篡改检测模型对待检测图像进行篡改检测，输出待检测图像对应的篡改检测图像，篡改检测图像包括篡改检测模型检测到的预测篡改区域的位置和大小信息。
请参见图7，为本说明书实施例提供的一种篡改检测装置的结构示意图。如图7所示，该篡改检测装置1可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。根据一些实施例，该篡改检测装置1包括第一特征提取模块11、第一边缘提取模块12、第一边缘引导模块13以及第一篡改检测模块14，具体包括：
第一特征提取模块11，用于对待检测图像进行特征提取处理，得到与所述待检测图像对应的第一特征图；
第一边缘提取模块12，用于基于所述第一特征图进行篡改边缘信息提取处理，得到所述待检测图像对应的篡改边缘特征图；
第一边缘引导模块13，用于基于所述第一特征图和所述篡改边缘特征图融合生成第二特征图；
第一篡改检测模块14，用于基于所述第二特征图进行篡改检测，得到包含预测篡改区域的篡改检测图像。
可选的，请参见图8，为本说明书实施例提供的一种篡改检测装置的结构示意图。如图8所示，所述装置还包括模板对比模块15，用于：
获取所述待检测图像对应的模板图像；
对所述模板图像和所述待检测图像进行图像差异比较，得到包含图像差异特征的差异图像；
所述第一特征提取模块11，用于对所述差异图像进行特征提取处理，得到与所述待检测图像对应的第一特征图。
可选的，所述第一特征提取模块11，用于：
对所述待检测图像进行特征提取处理，得到与所述待检测图像对应的不同尺度大小的第一特征图；
所述第一边缘提取模块12，用于：
在各所述第一特征图中选择至少两个第一特征图进行特征融合处理，得到第三特征图；
对所述第三特征图进行篡改边缘信息提取处理，得到所述篡改边缘特征图。
可选的，所述第一边缘引导模块13，用于：
将所述篡改边缘特征图和不同尺度的各所述第一特征图分别进行特征融合处理，得到与各所述第一特征图分别对应的第四特征图；
基于各所述第四特征图进行跨尺度交互学习，生成包含多尺度上下文特征的第二特征图。
可选的，所述第一边缘提取模块12在执行所述将所述篡改边缘特征图和不同尺度的各所述第一特征图分别进行特征融合处理，得到与各所述第一特征图分别对应的第四特征图时，具体用于：
将所述篡改边缘特征图和所述第一特征图进行融合处理，得到第一融合特征图；
对所述第一融合特征图进行全局平均池化，得到所述第一融合特征图中各特征通道分别对应的聚合卷积特征；
基于所述各特征通道分别对应的聚合卷积特征生成各特征通道分别对应的通道注意力权重；
基于所述各特征通道分别对应的通道注意力权重对所述第一融合特征图进行加权，得到与所述第一特征图对应的第四特征图。
可选的，各所述第四特征图包括第一尺度特征图和第二尺度特征图，所述第一边缘引导模块13在执行所述基于各所述第四特征图进行跨尺度交互学习，生成包含多尺度上下文特征的第二特征图时，具体用于：
将所述第一尺度特征图和所述第二尺度特征图进行融合处理，得到第二融合特征图；
将所述第二融合特征图沿通道维度拆分为预设数量的通道维度特征图；
对各所述通道维度特征图进行跨尺度交互学习，生成包含多尺度上下文特征的第二特征图。
上述装置实施例与方法实施例相对应，具体说明可以参见方法实施例部分的描述，此处不再赘述。装置实施例是基于对应的方法实施例得到，与对应的方法实施例具有同样的技术效果，具体说明可参见对应的方法实施例。
请参见图9，为本说明书实施例提供的一种篡改检测模型训练装置的结构示意图。如图9所示，该篡改检测模型训练装置2可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。根据一些实施例，该篡改检测模型训练装置2包括训练样本获取模块21、第二特征提取模块22、第二边缘提取模块23、第二边缘引导模块24、第二篡改检测模块25以及模型参数调整模块26，具体包括：
训练样本获取模块21，用于获取样本待检测图像、所述样本待检测图像对应的篡改边缘图像和篡改区域图像；
第二特征提取模块22，用于基于所述篡改检测模型中的特征提取网络对所述样本待检测图像进行特征提取处理，得到与所述样本待检测图像对应的样本第一特征图；
第二边缘提取模块23，用于基于所述篡改检测模型中的边缘感知网络对样本第一特征图进行篡改边缘信息提取处理，得到所述样本待检测图像对应的样本篡改边缘特征图；
第二边缘引导模块24，用于基于所述篡改检测模型中的边缘引导网络对所述样本第一特征图和所述样本篡改边缘特征图进行融合处理，生成样本第二特征图；
第二篡改检测模块25，用于基于所述篡改检测模型中的篡改检测网络对所述样本第二特征图进行篡改检测，得到包含预测篡改区域的样本篡改检测图像；
模型参数调整模块26，用于以所述篡改边缘图像和所述样本篡改边缘特征图的差异最小化和所述篡改区域图像和所述样本篡改检测图像的差异最小化为优化目标，调整所述篡改检测模型的模型参数。
上述装置实施例与方法实施例相对应，具体说明可以参见方法实施例部分的描述，此处不再赘述。装置实施例是基于对应的方法实施例得到，与对应的方法实施例具有同样的技术效果，具体说明可参见对应的方法实施例。
本说明书实施例还提供的一种存储介质，所述存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图1～图6所示实施例的所述的方法，具体执行过程可以参见图1～图6所示实施例的具体说明，在此不进行赘述。
本说明书还提供的一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由所述处理器加载并执行如上述图1～图6所示实施例的所述的方法，具体执行过程可以参见图1～图6所示实施例的具体说明，在此不进行赘述。
本说明书实施例还提供了图10所示的电子设备的结构示意图。如图10，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他事务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述的篡改检测方法或篡改检测模型训练方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书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说明书，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。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (12)

1.一种篡改检测方法，所述方法包括：
对待检测图像进行特征提取处理，得到与所述待检测图像对应的第一特征图；
基于所述第一特征图进行篡改边缘信息提取处理，得到所述待检测图像对应的篡改边缘特征图；
基于所述第一特征图和所述篡改边缘特征图融合生成第二特征图；
基于所述第二特征图进行篡改检测，得到包含预测篡改区域的篡改检测图像。
2.根据权利要求1所述的方法，所述对所述待检测图像进行特征提取处理之前，还包括：
获取所述待检测图像对应的模板图像；
对所述模板图像和所述待检测图像进行图像差异比较，得到包含图像差异特征的差异图像；
所述对所述待检测图像进行特征提取处理，得到与所述待检测图像对应的第一特征图，包括：
对所述差异图像进行特征提取处理，得到与所述待检测图像对应的第一特征图。
3.根据权利要求1所述的方法，所述对所述待检测图像进行特征提取处理，得到与所述待检测图像对应的第一特征图，包括：
对所述待检测图像进行特征提取处理，得到与所述待检测图像对应的不同尺度大小的第一特征图；
所述基于所述第一特征图进行篡改边缘信息提取处理，得到所述待检测图像对应的篡改边缘特征图，包括：
在各所述第一特征图中选择至少两个第一特征图进行特征融合处理，得到第三特征图；
对所述第三特征图进行篡改边缘信息提取处理，得到所述篡改边缘特征图。
4.根据权利要求3所述的方法，所述基于所述第一特征图和所述篡改边缘特征图融合生成第二特征图，包括：
将所述篡改边缘特征图和不同尺度的各所述第一特征图分别进行特征融合处理，得到与各所述第一特征图分别对应的第四特征图；
基于各所述第四特征图进行跨尺度交互学习，生成包含多尺度上下文特征的第二特征图。
5.根据权利要求4所述的方法，所述将所述篡改边缘特征图和不同尺度的各所述第一特征图分别进行特征融合处理，得到与各所述第一特征图分别对应的第四特征图，包括：
将所述篡改边缘特征图和所述第一特征图进行融合处理，得到第一融合特征图；
对所述第一融合特征图进行全局平均池化，得到所述第一融合特征图中各特征通道分别对应的聚合卷积特征；
基于所述各特征通道分别对应的聚合卷积特征生成各特征通道分别对应的通道注意力权重；
基于所述各特征通道分别对应的通道注意力权重对所述第一融合特征图进行加权，得到与所述第一特征图对应的第四特征图。
6.根据权利要求4所述的方法，各所述第四特征图包括第一尺度特征图和第二尺度特征图，所述基于各所述第四特征图进行跨尺度交互学习，生成包含多尺度上下文特征的第二特征图，包括：
将所述第一尺度特征图和所述第二尺度特征图进行融合处理，得到第二融合特征图；
将所述第二融合特征图沿通道维度拆分为预设数量的通道维度特征图；
对各所述通道维度特征图进行跨尺度交互学习，生成包含多尺度上下文特征的第二特征图。
7.一种篡改检测模型训练方法，包括：
获取样本待检测图像、所述样本待检测图像对应的篡改边缘图像和篡改区域图像；
基于所述篡改检测模型中的特征提取网络对所述样本待检测图像进行特征提取处理，得到与所述样本待检测图像对应的样本第一特征图；
基于所述篡改检测模型中的边缘感知网络对样本第一特征图进行篡改边缘信息提取处理，得到所述样本待检测图像对应的样本篡改边缘特征图；
基于所述篡改检测模型中的边缘引导网络对所述样本第一特征图和所述样本篡改边缘特征图进行融合处理，生成样本第二特征图；
基于所述篡改检测模型中的篡改检测网络对所述样本第二特征图进行篡改检测，得到包含预测篡改区域的样本篡改检测图像；
以所述篡改边缘图像和所述样本篡改边缘特征图的差异最小化和所述篡改区域图像和所述样本篡改检测图像的差异最小化为优化目标，调整所述篡改检测模型的模型参数。
8.一种篡改检测装置，包括：
第一特征提取模块，用于对待检测图像进行特征提取处理，得到与所述待检测图像对应的第一特征图；
第一边缘提取模块，用于基于所述第一特征图进行篡改边缘信息提取处理，得到所述待检测图像对应的篡改边缘特征图；
第一边缘引导模块，用于基于所述第一特征图和所述篡改边缘特征图融合生成第二特征图；
第一篡改检测模块，用于基于所述第二特征图进行篡改检测，得到包含预测篡改区域的篡改检测图像。
9.一种篡改检测模型训练装置，包括：
训练样本获取模块，用于获取样本待检测图像、所述样本待检测图像对应的篡改边缘图像和篡改区域图像；
第二特征提取模块，用于基于所述篡改检测模型中的特征提取网络对所述样本待检测图像进行特征提取处理，得到与所述样本待检测图像对应的样本第一特征图；
第二边缘提取模块，用于基于所述篡改检测模型中的边缘感知网络对样本第一特征图进行篡改边缘信息提取处理，得到所述样本待检测图像对应的样本篡改边缘特征图；
第二边缘引导模块，用于基于所述篡改检测模型中的边缘引导网络对所述样本第一特征图和所述样本篡改边缘特征图进行融合处理，生成样本第二特征图；
第二篡改检测模块，用于基于所述篡改检测模型中的篡改检测网络对所述样本第二特征图进行篡改检测，得到包含预测篡改区域的样本篡改检测图像；
模型参数调整模块，用于以所述篡改边缘图像和所述样本篡改边缘特征图的差异最小化和所述篡改区域图像和所述样本篡改检测图像的差异最小化为优化目标，调整所述篡改检测模型的模型参数。
10.一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1～6或7中任意一项所述方法的步骤。
11.一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1～6或7中任意一项所述方法的步骤。
12.一种计算机程序产品，其上存储有至少一条指令，所述至少一条指令被处理器执行时实现权利要求1～6或7中任意一项所述方法的步骤。
CN202410077301.8A 2024-01-18 2024-01-18 一种篡改检测方法、装置、存储介质及电子设备 Pending CN118015441A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410077301.8A CN118015441A (zh) 2024-01-18 2024-01-18 一种篡改检测方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410077301.8A CN118015441A (zh) 2024-01-18 2024-01-18 一种篡改检测方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN118015441A true CN118015441A (zh) 2024-05-10

Family

ID=90947187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410077301.8A Pending CN118015441A (zh) 2024-01-18 2024-01-18 一种篡改检测方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN118015441A (zh)

Similar Documents

Publication Publication Date Title
CN109034183B (zh) 一种目标检测方法、装置及设备
CN115600157B (zh) 一种数据处理的方法、装置、存储介质及电子设备
CN113723352B (zh) 一种文本检测方法、系统、存储介质及电子设备
CN117197781B (zh) 一种交通标志识别的方法、装置、存储介质及电子设备
CN117612269A (zh) 一种生物攻击检测方法、装置及设备
CN111523539A (zh) 一种文字检测方法及装置
CN116246276A (zh) 一种信息识别方法、装置、设备及可读存储介质
CN116503357A (zh) 图像处理方法及装置
CN115017915B (zh) 一种模型训练、任务执行的方法及装置
CN116052250A (zh) 一种检测模型的训练方法、装置、设备及存储介质
CN118015441A (zh) 一种篡改检测方法、装置、存储介质及电子设备
CN114997277A (zh) 一种模型训练的方法、任务执行的方法及装置
CN118279693A (zh) 一种视觉基础模型训练方法、装置、存储介质及电子设备
CN115905913B (zh) 数字藏品的检测方法及装置
CN118154947A (zh) 一种风险图像拦截方法、装置、存储介质及电子设备
CN117237744B (zh) 一种图像分类模型的训练方法、装置、介质及电子设备
CN113642603B (zh) 一种数据匹配方法、装置、存储介质及电子设备
CN117523323B (zh) 一种生成图像的检测方法及装置
CN118470752B (zh) 基于注意力机制和特征融合策略的行人重识别方法和装置
CN117079274A (zh) 一种识别模型的训练方法、装置、存储介质及电子设备
CN117372836A (zh) 一种篡改检测模型训练方法、装置、存储介质及电子设备
CN117912046A (zh) 一种证件识别模型训练方法、装置、存储介质及电子设备
CN116401541A (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN117576748A (zh) 一种伪造检测模型训练方法、装置、存储介质及电子设备
CN118711590A (zh) 一种基于大语言模型的任务执行方法、装置、介质及设备

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