Sep, 2018

DenseNet 在相机型号识别和后处理检测中的应用

PDF
TL;DR本篇文章提出了一种基于 DenseNet 的图像相机模型识别模型，通过使用数据增强等方法，将提取的图像 patch 作为输入，对图像进行预处理，并将其送入 DenseNet-201 神经网络进行训练和分类，本方法在缺少 metadata 和图像后处理情况下也能实现较高的识别准确率，并适用于其他图像取证任务。
camera model identificationneural networkpost-processingimage forensicsclassification
发现论文，激发创造
  • 卷积神经网络实现相机模型识别

    本论文介绍了关于 10 台不同相机型号识别的深度学习方法，使用了数据增强技术，最终在 Kaggle 的相机型号识别挑战中获得了 98% 的准确率，并进行了有关数据集的一系列实验。

    Oct, 2018

  • 基于卷积神经网络的相机模型识别的初步探索

    本文研究了一种基于卷积神经网络的数据驱动算法来解决相机型号识别问题，结果表明，所提出的方法在 64x64 的彩色图像块分类上优于最新的算法，而且所学到的特征具有很好的泛化性能。

    Mar, 2016

  • D2-Net: 一个可训练卷积神经网络，用于局部特征的联合检测和描述

    本文提出了一种使用卷积神经网络在像素级别取得可靠对应的方法，该模型可以同时作为密集特征描述符和特征检测器，并且在后期检测可以获得比传统低级结构的更稳定的关键点，从而实现了在无法获取更多注释信息的情况下训练该模型，该方法可以在难以定位的数据集（Aachen Day-Night localization dataset）和室内定位测试基准（InLoc indoor localization benchmark）中获得最先进的表现，同时在其他图像匹配和 3D 重建基准测试中也有竞争力。

    May, 2019

  • 密集极端 Inception 网络：面向边缘检测的强鲁棒性 CNN 模型

    本文提出了一种基于深度学习的边缘检测器，结合了 HED 和 Xception 网络，生成适合人眼观察的细线条地图，无需先前的训练或微调。其次，作者还制作了一个大型数据集，用于对比已有的算法和训练提出的边缘检测器，实验结果表明，该方法能够提高 ODS 和 OIS 的 F - 度量值。

    Sep, 2019

  • DeepID-Net: 多阶段和可形变深度卷积神经网络用于目标检测

    本文提出多阶段变形卷积神经网络用于目标检测，使用新的变形约束池化层来建模对象部分的变形，并提出多阶段训练策略和预训练策略来优化多个难度级别的分类器以及改变神经网络结构、训练策略来得到一组具有较大多样性的模型，在 ILSVRC 2014 中排名第二，显著提高了目标检测的平均精度。

    Sep, 2014

  • 一种基于卷积神经网络的相机模型识别反取证方法

    本文研究了通过对抗性的样本对基于卷积神经网络的相机模型检测器进行欺骗的反取证方法，并展示了即使用针对图像分析和获取相机模型信息的先进深度学习架构，也存在一定漏洞。

    May, 2018

  • 基于神经增强相机指纹的网络照片来源识别

    本文提出了一个使用神经网络增强的传感器噪声以高效追踪 Web 照片的创新性实用源识别框架，通过度量学习和频率一致性优化深度网络设计从而实现了可靠的源标识。

    Feb, 2023

  • 密集变换网络

    本研究提出了密集变换网络的构建方法，设计了不同于之前需要输入图像分割大小的神经网络结构，通过对使用高分辨率像素预测的自适应分割进行了验证，证明该方法在图像分割任务中取得了更好的表现。

    May, 2017

  • 用单个深度学习模型取代移动摄像头 ISP

    研究表明，使用 PyNET 可以使用单个端到端深度学习模型取代复杂的手工设计相机 ISP 解决方案，实现精细图像恢复，并将移动相机传感器直接获得的 RAW Bayer 数据转换为使用专业高端 DSLR 相机采集的相片，无需了解特定的移动 ISP 实现。

    Feb, 2020

  • 使用 TCGA 诊断幻灯片进行 DenseNet 的组织病理图像表示微调和训练

    本文提出一种新的神经网络 KimiaNet，通过使用大量组织病理学图像，比较 KimiaNet、DenseNet 和 CBR 网络的性能，并发现 KimiaNet 对于表征组织病理学图像是优越的。

    Jan, 2021