20、图像伪造检测与恶意URL检测技术解析

图像伪造检测与恶意URL检测技术解析

1. 图像伪造检测模型

1.1 训练模型

1.1.1 提出的CNN模型

提出的基于CNN的框架架构包含两个卷积层、两个最大池化层和一个带有双向SoftMax激活函数的全连接层。输入是大小为128 × 128x3（128 × 128的补丁大小和3个颜色通道）的补丁。两个卷积层各有32个大小为5 × 5的内核滤波器。对神经元应用修正线性单元（ReLu）作为激活函数，使其对输入中的合理信号做出反应。第三个层是一个非重叠的最大池化层，滤波器大小为2 × 2，最大池化有助于获取纹理信息，丢弃75%的激活，从而获得良好的性能。最后，提取的特征通过“丢弃”（dropout）操作，以0.25和0.5的概率将全连接层中的神经元置为零，然后通过带有ReLu和SoftMax激活函数的全连接层。

1.1.2 MobileNetV2

MobileNetV2的架构由两种类型的块组成。一种块的步长为1，作为残差块；另一种块的步长为2，用于缩小尺寸。两个块中都有3 × 3的层。第一层是带有ReLu激活函数的1 × 1卷积层，第二层是深度方向卷积，第三层是没有任何非线性的1 × 1卷积层。它是一个轻量级模型，广泛用于图像分类。

1.1.3 ResNet - 50

ResNet在近年来的深度学习领域可谓是一项具有开创性的工作，它使得梯度流动更加容易。其关键目标是建立一种类似的捷径连接，跳过一个或多个层。这样，网络可以选择一条不间断的路径到达网络中最早的层，使这些层的梯度更新变得更加容易。借助ResNet，现在可以训练1001层的深度ResNet，使其超越那些较浅的同类模型。由于其良好