896 浏览图像内容辨识方法硕士论文提纲--基于深度学习的图像内容辨识方法研究
摘要：近年来，随着信息技术和多媒体技术的快速发展，美图秀秀等软件使图像编辑变得越来越简单。即使是非专业人士也可以使用图像编辑工具轻松编辑图像。随着图像处理工具的不断出现，图像篡改过程变得越来越复杂。各种伪造图像可用于新闻媒体、科学研究、法医证据收集、医疗诊断、文化传播和军事研究等领域，并产生严重负面影响。伪造图像的存在和传播降低了图像信息的可信度，改变了人们眼见为实的传统认知。本文深入研究了基于深度卷积神经网络的图像内容伪造检测和基于深度残差网络的深度伪造图像检测。主要工作如下：针对异源图像拼接/合成和同源图像CopyMove的伪造攻击，本文提出了基于深度卷积神经网络的图像检测算法。该算法主要由三个部分组成：数据处理、特征提取和检测。在数据处理部分，为了使算法对几何攻击具有鲁棒性，我们通过尺度变换、镜像和旋转操作扩展所有训练图像，并获得大容量篡改图像数据集。在特征提取部分，为了提取可区分的判断特征，我们通过四个卷积层和四个池化层提取训练图像，并通过误差反向传输算法自动更新每层的权值和偏移；考虑到Relu激活函数的死激活，本文构建了一个新的激活函数trelu，可以提高模型的训练效率和检测精度。在检测部分，我们引入Softmax层来检测所有特征。与几种先进的图像内容伪造检测方法相比，我们提出的算法可以检测图像内容拼接、图像内容CopyMove和图像内容移除，具有较高的准确性，对JPEG压缩、胡椒盐噪声、高斯噪声等常见图像处理的几何攻击具有很强的鲁棒性。针对深度伪造图像检测问题，本文提出了一种基于深度残差网络的深度伪造图像检测算法(Residualneuralnetwork、Resnet)。考虑到深度伪造图像与自然图像的细微差距，我们改进了Resnet18中的残差块，用改进后的残差块代替Resnet18中的残差块，并提出了新的Resnet网络模型Resnet26。通过分析，我们得出结论，伪造图像和自然图像在纹理上存在差异。为了让Resnet26了解这种差异的特点，我们提取了YCBCr颜色通道，使用Scharr算子提取图像CB和Cr通道的边缘图像，并计算了边缘图像的灰度共生矩阵作为Resnet26模型的输入。与Resnet18模型相比，本文提出的Resnet26网络模型具有更强的非线性和更高的拟合能力。它不仅可以检测深度伪造图像，还可以检测传统拼接的伪造图像。我们在多个数据集中验证了Resnet26网络模型的优越性能。实验结果表明，我们提出的方法对深度伪造图像和合成图像具有良好的检测能力和较强的鲁棒性。
关键词：深度学习;图像取证;图像伪造检测;深度伪造检测;ResNet26;
摘要
Abstract
1 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 基于手动特征提取的图像篡改检测方法的研究现状
1.2.2 基于深度学习的图像篡改检测方法的研究现状
1.2.3 深度伪造检测方法的研究现状
1.3 存在的问题
1.4 本文主要研究内容及组织结构
1.4.1 主要研究内容
1.4.2 论文组织结构
2 预备知识
2.1 神经元模型
2.2 整流线性单元
2.3 反向传播算法
2.4 小批量梯度下降算法
2.5 生成对抗网络
2.6 模型性能评估指标
2.7 本章小结
3 基于DCNN的图像内容伪造检测算法
3.1 算法总体框架
3.2 特征提取层
3.2.1 改进的激活函数
3.2.2 卷积层
3.2.3 池化层
3.3 检测层
3.3.1 Dropout技术和全连接层
3.3.2 Softmax层
3.4 实验结果与分析
3.4.1 数据处理
3.4.2 实验设置
3.4.3 DCNN模型的训练过程
3.4.4 DCNN模型性能分析
3.5 本章小结
4 基于ResNet26的深度伪造图像检测算法
4.1 提出算法的框架
4.2 图像预处理
4.3 提出的Res Net26模型结构
4.4 Leaky_Re LU函数与BN层
4.5 检测层
4.6 实验结果与分析
4.6.1 数据集
4.6.2 ResNet26模型的训练与检测
4.6.3 ResNet26模型的鲁棒性分析
4.7 本章小结
5 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
