CAT-Net: Compression Artifact Tracing Network 算法测试

原创 已于 2025-09-15 20:54:09 修改 · 3.4k 阅读 · 9 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#算法 #pytorch #深度学习

于 2021-08-24 09:00:13 首次发布
本文介绍了WACV2021论文中的CAT-Net算法，用于图像篡改检测。虽然在CASIA V2数据集上表现惊艳，但在COVERAGE数据集上泛化能力不足。测试中发现，算法对旋转的抗干扰性能有限，超过180度时检测效果下降。权重文件需从谷歌或百度云下载，并注意输出尺寸和分辨率的变化。

2021年的开源图像篡改检测算法还是很难找的

这篇文章是 WACV2021 paper,作者是韩国人。

WACV据说是仅次于CVPR等的顶会。

https://github.com/mjkwon2021/CAT-Net
这个东西直接在github 上面搜索名字竟然搜不到。
但是会出现readme文档，在这个readme文档中点进去才会出现代码。

算法训练使用的数据集

最好不要使用下面的数据集进行测试
在这里插入图片描述
在这里插入图片描述

对于一个培训集 使用以下数据集
auth.表示未篡改图像;tamp.表示篡改图像

  • CASIAv2(auth./tamp.)
  • Fantastic Reality(auth./tamp.)
  • IMD2020（tamp）
  • splicing COCO（tamp.)

在这里插入图片描述

安装库版本

这些在requirements文件里面都有
torch==1

最低0.47元/天 解锁文章
【论文笔记】CFL-Net: Image Forgery Localization Using Contrastive Learning
weixin_45366180的博客
03-13 2716
传统的伪造定位方法的缺点是过度拟合和只关注少数特定的伪造痕迹。我们需要一种更通用的图像伪造定位方法，能够很好地适应各种伪造条件。底层伪造区域定位的一个关键假设是，无论伪造类型如何，每个伪造图像样本中未被篡改和被篡改区域的特征分布都存在差异。在本文中，我们的目标是利用这种差异特征分布来帮助图像伪造定位。具体来说，我们使用对比损耗来学习映射到一个特征空间，在该空间中，每个图像的未篡改区域和被篡改区域之间的特征被很好地分离。此外，该方法不需要对伪造类型进行任何先验知识或假设，就可以对伪造区域进行局部定位。
【论文笔记】GCA-Net : Utilizing Gated Context Attention for Improving Image Forgery Localization and Detec
weixin_45366180的博客
02-06 2911
对被操纵像素的取证分析需要从图像中识别各种隐藏的和微妙的特征。传统的图像识别模型通常无法完成这一任务，因为它们偏向于并且更关注占主导地位的局部和空间特征。本文提出了一种新的门控上下文注意力网络（GCA-Net），它利用非局部注意力结合门控机制来捕获更精细的图像差异，从而更好地识别伪造区域。该框架在解码过程的各个阶段使用高维嵌入从粗糙特征映射中过滤和聚合相关上下文。这提高了网络对全局差异的理解，减少了假阳性的定位。
2020年道路事故的综合数据集（61K+记录，20特征）CSV
01-22
这个全面的数据集提供了多年报告的道路事故的详细信息。该数据集包含与事故状态、车辆和伤亡参考、人口统计和伤亡严重程度相关的各种属性。它包括行人详细信息、伤亡类型、道路维护工人参与以及伤亡者所在地区的多重剥夺指数 （IMD） 十分位数等基本因素。 列： 状态：事故的状态（例如，已报告、正在调查）。 Accident_Index：每个报告的事故的唯一标识符。 Accident_Year：事故发生的年份。 Accident_Reference：与事故相关的参考编号。 Vehicle_Reference：事故中涉及车辆的参考编号。 Casualty_Reference：事故中涉及的伤亡者的参考编号。 Casualty_Class：表示伤员的类别（例如，驾驶员、乘客、行人）。 _of_Casualty：伤员的性别（男性或女性）。 Age_of_Casualty：伤员的年龄。 Age_Band_of_Casualty：伤员所属的年龄组（例如，0-5、6-10、11-15）。 Casualty_Severity：伤亡人员受伤的严重程度（例如，致命、严重、轻微）。 Pedestrian_Location：事故发生时行人的位置。 Pedestrian_Movement：事故期间行人的移动。 Car_Passenger：指示伤亡者在事故发生时是否为汽车乘客（是或否）。 Bus_or_Coach_Passenger：指示伤亡者是公共汽车还是长途汽车乘客（是或否）。 Pedestrian_Road_Maintenance_Worker：指示伤亡者是否为道路维护工人（是或否）。 Casualty_Type：伤亡类型（例如，司机/骑手、乘客、行人）。 Casualty_Home_Area_Type：伤亡者居住的区域类型（例如，城市、农村）。 Casualty_IMD_Decile：伤亡者居住地区的 IMD 十分位数（剥夺的衡量标准）。 LSOA_of_Casualty：与伤员位置关联的下层超级输出区域 （LSOA）。 此数据集为分析道路事故、识别趋势和实施安全措施以减少伤亡和提高道路安全提供了有价值的见解。研究人员、政策制定者和分析师可以利用此数据集进行基于证据的决策并改善整体道路运输系统。
论文研读｜基于扩散过程的图像篡改定位
最新发布
Meiling_up
11-15 1190
基于扩散过程的图像篡改定位
图像篡改检测数据集整理
BUG记录
08-09 1837
图像篡改检测数据集整理
MSMG-Net: Multi-scale Multi-grained Supervised Networks for Multi-task Image Manipulation Detection
weixin_43780665的博客
04-17 1171
摘要：近年来，随着图像编辑技术的飞速发展，图像篡改所带来的安全风险越来越大，图像篡改检测受到了广泛的关注。为了解决这些问题，提出了一种新型的多尺度多粒度深度网络(MSMG-Net)来自动识别被操纵区域。在我们的MSMG-Net中，采用并行的多尺度特征提取结构来提取多尺度特征。然后通过引入分流自注意，利用多粒度特征学习来感知多尺度特征的对象级语义关系;为了融合多尺度多粒度特征，采用自底向上的方法设计了全局和局部特征融合块用于操作区域分割，采用自顶向下的方法设计了多级特征聚合块用于边缘部分检测。 因此，MSM
CAT-Net: Compression Artifact Tracing Network for Detection and Localization of Image Splicing
weixin_49171105的博客
10-27 2274
我们提出了一种CAT网，它可以定位给定图像上的拼接区域。CAT Net是第一次尝试同时考虑RGB和DCT域，以有效地学习通过RGB流和DCT流保留在每个域中的视觉和压缩伪影的法医特征。特别是，包含JPEG伪影学习模块的DCT流在检测双JPEG压缩时实现了出色的性能。我们首次将双JPEG检测任务的转移学习应用于图像伪造定位任务。这有助于网络区分拼接区域和真实区域之间的统计指纹。与当前网络相比，CAT Net在不同数据集上定位JPEG或非JPEG图像拼接区域方面达到了最先进的性能
【论文笔记】CAT-Net: Compression Artifact Tracing Network for Detection and Localization of Image Splicing
weixin_45366180的博客
03-01 4313
检测和定位图像拼接已经成为打击恶意伪造的重要手段。局部拼接区域的一个主要挑战是区分真实和篡改的区域的固有属性，如压缩伪迹。我们提出了CAT-Net，一个包含RGB和DCT流的端到端全卷积神经网络，以共同学习RGB和DCT域压缩伪影的取证特征。每个流考虑多重分辨率来处理拼接对象的各种形状和大小。DCT流在双JPEG检测时被预先训练以利用JPEG伪影。该方法在JPEG或非JPEG图像的局部拼接区域的定位上优于最先进的神经网络。提出了对给定图像上的拼接区域进行定位的CAT-Net。
CATNET：更加分散的网络，更现代
02-17
网络 CATnet是用于更现代时代的功能更强大的网络。 该存储库保存守护程序和服务器的源代码，而不包含客户端的源代码。 规格 是我们的规格文件（Alpha）的链接。
CAT的.NET客户端CAT.NET.zip
07-16
CAT.NET 是 CAT 的 .NET 客户端。
FS【2】：CAT-Net
BUPTer
02-03 1127
本文来自港科陈浩老师组发表在 MICCAI23 上的一篇有关 few-shot 在医学图像上的应用。方法简洁高效，可供参考。插一句题外话，医学图像做 few-shot 主要基于腹部器官的 3 个数据集，期待后续可以见到一些在更多数据集上更通用更有效的方法。本文提出了一种基于交叉掩码注意力的少样本医学图像分割新框架CAT-Net通过挖掘support和query图像之间的相关性，并限制模型仅关注有用的前景信息，来提高support和query特征的表达能力。
CAT-Net模型详解
cxrcc的博客
10-29 1662
CAT-Net模型是一个包含RGB流和DCT流的端到端全卷积神经网络，用于识别和定位图像中的拼接区域。接下来，我将先介绍CAT-Net的整体模型结构，然后再逐个模块进行讲解
CAT.NET 使用
weixin_30617561的博客
02-22 1763
http://msevents.microsoft.com/CUI/WebCastEventDetails.aspx?EventID=1032438061&EventCategory=4&culture=en-US&CountryCode=US 转载于:https://www.cnblogs.com/zhuispeed/archive/2010/02/22/1671419....
CAT-Net复现保姆级教程（更新中
qq_55552561的博客
10-16 1016
版本太低了，conda和pip没有办法直接安装，去PyTorch 官方提供的历史版本页面下载（CAT-Net:用于图像拼接检测和定位的压缩伪迹跟踪网络。conda创建虚拟环境并激活。到这里就完成环境的配置了。发布于WACV2021。按照项目要求配置环境。
MGQFormer: Mask-Guided Query-Based Transformer for Image Manipulation Localization
weixin_43780665的博客
04-21 1559
基于深度学习的模型在图像篡改定位方面取得了很大进展，其目的是区分被篡改的区域和真实的区域。然而，这些模型的训练效率低下。这是因为他们主要通过交叉熵损失来使用GT掩码标签，这优先考虑了每个像素的精度，但忽略了被操纵区域的空间位置和形状细节。为了解决这个问题，我们提出了一个基于掩码引导的基于查询的transformer框架(MGQFormer)，它使用GT来指导可学习查询标记(LQT)识别伪造区域。
AI可信论坛亮点：合合信息分享视觉内容安全技术前沿
热门推荐
12-20 30万+
例如，在2023年文档分析与识别国际会议（ICDAR）挑战赛中，合合信息技术团队提出的AI图像篡改检测方案在保持极低误检率的同时，能够准确识别并定位图片中文本的篡改行为，从而有效保障文本信息的真实性。因此，对图像篡改的检测也是内容安全系统的重要需求之一。合合内容安全系统的通用篡改检测技术基于先进的图像处理和人工智能技术，能够实现对证照、证书、票据、截图、扫描文档以及文档印章等多种类型图像的篡改检测。同时，提出学习和分析特征之间的差异，而不仅是输入内容的特征的框架，以此提高对未见过篡改的检测性能。
CTA-Net: 一种改进多尺度特征提取的CNN-Transformer聚合网络
Together_CZ的博客
12-12 4726
CTA-Net: A CNN-Transformer Aggregation Network for Improving Multi-Scale Feature Extraction CTA-Net: 一种改进多尺度特征提取的CNN-Transformer聚合网络
[Base]CTA-Net: A CNN-Transformer Aggregation Network for Improving Multi-Scale Feature Extraction
天下事有难易乎？为之，则难者亦易矣；不为，则易者亦难矣。人之为学有难易乎？学之，则难者亦易矣；不学，则易者亦难矣。
11-10 1823
本文介绍了CTA-Net，这是一种用于在小规模数据集（少于100,000个样本）上改善多尺度特征提取的CNN-Transformer聚合网络。CTA-Net解决了CNN和ViT特征融合不足以及模型复杂度高的挑战。通过在ViT框架内整合CNN操作，CTA-Net利用了两种架构的优势，增强了局部特征提取和全局信息处理，提高了网络的表征能力。逆重建CNN变体（RRCV）和轻量级多尺度特征融合多头自注意力（LMF-MHSA）模块通过广泛的消融实验得到了验证。
Video-Compression-Net：神经网络实现的高效视频压缩技术
资源摘要信息:"Video-Compression-Net:一种视频压缩的新方法，它可以弥补传统方法的不足，并用其神经网络对应物替换每个传统组件。 我们的拟议工作包括运动估计，压缩和补偿以及残差压缩，是端到端学习的，以最大...
评论 19
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值