一种改进Faster R-CNN的图像篡改检测模型

随着人工智能的发展，数字图像被广泛应用于各大领域。然而，图像编辑软件的出现导致大量图像受到恶意篡改，严重影响了图像内容的真实性。图像篡改检测的研究不同于通用的目标检测，它需要更加关注图像本身的篡改信息，而这些信息表现形式往往比较微弱，所以检测时需要侧重于学习更丰富的篡改特征。提出一种结合梯度边缘信息和注意力机制的双流Faster R-CNN模型，可以实现不同篡改类型区域的检测定位。双流之一为原色流，利用注意力机制提取图像的表层特征，如亮度对比、篡改边界的视觉差异等。双流之二为梯度流，利用梯度高通滤波器增强真实区域与篡改区域之间的边缘异常特征，使模型更容易发现篡改图像中微弱的篡改痕迹。通过紧凑型双线性池化将原色流和梯度流的特征进行融合。由于公开可用的图像篡改数据集规模较小，基于PASCAL VOC 2012数据集创建了规模为10 000幅的图像篡改检测数据集，用于模型预训练。在COVER、COLUMBIA和CASIA数据集上的检测结果表明，所提模型的检测精度相比当前最好模型的提高了7.1%～9.6%,并在JPEG压缩和图像模糊攻击下表现出了更高的鲁棒性。     

基于Faster R-CNN的多任务增强裂缝图像检测方法

针对Faster R-CNN算法对多目标、小目标检测精度不高的问题,本文提出一种基于Faster R-CNN的多任务增强裂缝图像检测(Multitask Enhanced Dam Crack Image Detection Based on Faster R-CNN, ME-Faster R-CNN)方法。同时提出一种基于K-means的多源自适应平衡TrAdaBoost的迁移学习方法(multi-source adaptive balance TrAdaBoost based on K-means, K-MABtrA)辅助网络训练,解决样本不足问题。ME-Faster R-CNN将图片输入ResNet-50网络提取特征;然后将所得特征图输入多任务增强RPN模型,同时改善RPN模型的锚盒尺寸和大小以提高检测识别精度,生成候选区域;最后将特征图和候选区域发送到检测处理网络。K-MABtrA方法利用K-means聚类删除与目标源差别较大的图像,再在多元自适应平衡TrAdaBoost迁移学习方法下训练模型。实验结果表明:将ME-Faster R-CNN在K-MABtrA迁移学习的条件下应用于小数据集大坝裂缝图像集的平均IoU为82.52%,平均精度mAP值为80.02%,与相同参数设置下的Faster R-CNN检测算法相比,平均IoU和mAP值分别提高了1.06%和1.56%。     

基于残差反馈和自注意力的图像篡改取证网络

现存的使用噪声特征的多篡改类型图像伪造检测算法,往往不能有效地检测篡改区域和非篡改区域之间的特征差异,特别是对复制-粘贴篡改类型。为此,提出一种融合残差反馈和自注意力机制的双流编-解码器图像篡改取证网络,通过两个流分别检测RGB像素的非自然边缘等篡改伪影和局部噪声不一致性。首先,在编码器阶段使用多个融合残差反馈的双重残差单元提取相关篡改特征,以获得粗特征图;其次,通过改进后的自注意力机制对粗特征图进行进一步特征增强;随后,将互相对应的编码器浅层特征和解码器深层特征进行融合;最后,串联融合两个流最终提取到的篡改特征,再通过一个特殊卷积操作实现对篡改区域的像素级定位。实验结果表明,所提网络在COVERAGE数据集上的F1值和曲线下面积（AUC）优于对比网络。在NIST16、Columbia数据集上,所提网络的F1值相较于TED-Net(Two-stream Encoder-Decoder Network)分别提高了9.8和7.7个百分点,AUC分别提高了1.1和6.5个百分点。所提网络在复制-粘贴篡改类型检测上取得了良好的效果,并且也适用于其他篡改类型检测。同时,该网络能在像素级上对篡改区...     

基于Faster R-CNN的肺炎目标检测

针对肺炎图像中病灶组织与正常组织难以区分，导致的肺炎检测准确率低的问题，提出一种基于改进Faster R-CNN的肺炎目标检测算法。通过CRP-CLAHELS的流程在增强图像对比度的同时提取图像的边缘特征，提出IN-ResNet50网络作为特征提取主干网络，提取更丰富的图像特征。在此基础上，引入Soft-NMS改进候选框合并策略，提高网络在多个目标肺炎区域下的检测准确率。在RSNA数据集上的实验结果表明，该算法相比Faster R-CNN平均精度均值提高7.26%,与其它目标检测主流算法SSD、YOLOv3相比平均精度均值分别提高8.83%、7.02%,验证了其有效性。     

基于小波变换和稀疏光流法的火灾烟雾检测

传统图像型火灾烟雾检测算法不适用于存在灯光、水蒸气等噪声的图像。为此,通过分析早期火灾烟雾的运动规律,采用分块和背景自适应相结合的方法,提取运动前景,然后分别在RGB空间和HSV空间建立烟雾的颜色模型和亮度变化模型,分割出烟雾疑似区域。在灰度空间使用二维离散小波变换对烟雾疑似区域及对应的背景区域进行能量分析,提取高频和低频能量的比值。用Lucas-Kanade稀疏光流算法跟踪运动区域,获取烟雾运动区域的平均偏移量和相位分布作为烟雾识别特征,根据烟雾识别规则,判断监控区域是否有火灾发生。实验结果表明,该方法具有较强的鲁棒性,能够提高烟雾检测的准确率。     

两级上下文卷积网络宽视场图像小目标检测方法

目标检测和识别已经在输电线路巡检中被广泛采用。由于图像数据量大,小目标分辨率低,现有的图像金字塔、特征金字塔和多异构特征融合等方法虽能准确地检测目标,却非常耗时,因而快速、准确地检测宽视场图像中小目标仍是一个挑战。此算法提出一个两个Faster-RCNs级联的上下文宽视场小目标检测卷积网络,首先,针对降分辨率的宽视场图像,利用一个Faster R-CNN来检测目标的上下文区域,然后,针对上下文区域对应的高分辨率原始图像,利用Faster R-CNN来检测来小目标。我们用航拍输电线路图像数据集进行了目标检测试验,试验结果表明,小目标检测方法达到了88%的检测精度,比单级Faster R-CNN检测方法具有更高的准确率。     

基于改进的三向流Faster R-CNN的篡改图像识别

为了进一步提高对拼接、缩放旋转、复制粘贴三种主要篡改手段的识别准确率,增强算法普适性,提出了一个基于三向流特征提取的卷积神经网络篡改图像识别系统。首先,分别根据图像局部彩色不变量特性比较特征子块相似度,根据噪声相关性比较篡改区域边缘的噪声相关系数,以及根据图像重采样痕迹计算子块标准偏差对比度,完成了对图像RGB流、噪声流和信号流的特征提取;然后,通过多线性池化,结合改进的分段AdaGrad梯度算法,实现了特征降维和参数自适应更新;最后,通过网络训练和分类,完成了对拼接、缩放旋转、复制粘贴这三种主要的图像篡改手段的识别与相应的篡改区域的定位。为衡量所提模型的效果,在VOC2007和CIFAR-10两个数据集上进行了实验。在约9000张图像上的实验结果表明,该模型对拼接、缩放旋转、复制粘贴这三种篡改手段均能进行较准确的识别与定位,识别率分别为0.962、0.956和0.935。与对照文献的双向流特征提取方法相比,该模型的识别率分别提高了1.050%、2.137%、2.860%。三向流特征提取模型丰富了卷积神经网络对图像的特征信息采集,提高了网络的学习性能与识别精度,同时改进的梯度算法通过分段控制参数学习率的下降速度,降低了过拟合,减少了收敛震荡,提高了收降速度,实现了算法的优化设计。     

基于优化候选区域的战场目标检测研究

针对Faster R-CNN算法对战场小型目标和遮挡目标的检测存在耗时且检测精度低的问题,提出基于优化候选区域的Faster R-CNN算法.算法使用改进的区域提取网络(Region Proposal Networks,RPN)提取候选区域并通过误差比较的方法优化候选区域,同时,引入排斥损失来优化遮挡目标的候选区域.优化后的候选区域和特征图进入检测网络,完成目标的分类和位置回归.在坦克装甲目标数据集上进行实验,结果表明:与传统检测算法相比,所提算法在检测速率和平均精度方面的性能更优.     

融合注意力机制和空洞卷积的滑坡图像检测

滑坡区域图像检测与识别在灾害范围识别、灾情数据分析和防灾减灾中具有丰富的应用和研究价值。本文针对滑坡图像滑坡体形状纹理的多样性,以及滑坡目标区域检测识别效果不够理想的问题,提出一种注意力机制CBAM与空洞卷积结合的目标检测方法。在传统的目标检测算法Faster R-CNN的基础上,将注意力机制模型添加到卷积神经网络层,通过空间注意力与通道注意力结合的CBAM模型来进行滑坡图像特征的提取,增加空洞卷积模块来加大感受野区域,提高神经网络对遥感图像区域中的滑坡目标识别、尺寸不规范等特点的学习能力,从而进一步提升滑坡目标区域的检测精度。实验结果表明,在传统的目标检测算法的基础上采用两者结合的方式进行检测,可提升滑坡遥感图像上目标检测的召回率和精确率,具有一定的有效性和鲁棒性。     

融合改进FPN与关联网络的Faster R-CNN目标检测

在无人机场景下,目标检测存在样本数量不足、成像视角不同的问题,导致检测精度低。提出一种结合改进特征金字塔网络（FPN）与关联网络的Faster R-CNN目标检测算法。通过在传统FPN结构中以自下而上的特征融合方式提取特征图的语义信息和位置信息,最大程度地保留特征图的多尺度信息。同时利用候选区域之间的形状特征和位置特征构造区域之间的关联特征,并与深度特征相融合进行分类回归,从而充分提取特征图的整体信息,实现目标检测。在PASCAL VOC 2007和NWPU VHR-10数据集上的实验结果表明,相比FPN+Faster R-CNN算法,该算法的交并比和平均检测精度分别提高了10和2.7个百分点,具有较优的目标检测性能。     

新冠肺炎疫情背景下聚集性传染风险智能监测模型

新型冠状病毒肺炎疫情严重威胁人们的生命安全,对于聚集性人群密度及口罩佩戴情况的监管是控制病毒扩散的重要途经。公共场所具有人流密集且流动性大的特点,人工监测易增加感染风险,而现有基于深度学习的口罩检测算法存在功能及场景单一的问题,不能在多场景下实现多类别检测,同时精度也有待提升。提出Cascade-Attention R-CNN目标检测算法,实现对聚集区域、行人和口罩佩戴情况的自动检测。针对任务中目标尺度变化过大的问题,选取高精度两阶段Cascade R-CNN目标检测算法作为基础检测框架。通过设计多个级联的候选分类-回归网络并加入空间注意力机制,突出候选区域特征中的重要特征并抑制噪声特征,从而提高检测精度。在此基础上,构建聚集性传染风险智能监测模型,结合Cascade-Attention R-CNN算法的输出结果确定传染风险等级。实验结果表明,该模型对于不同场景和视角的多类别目标图片具有较高的准确性和鲁棒性,Cascade-Attention R-CNN算法平均精度均值达到89.4%,较原始Cascade RCNN算法提升2.6个百分点,较经典的两阶段目标检测算法Faster R-CNN和单阶段目标检测框架RetinaNet分别提升10.1和8.4个百分点。     

复杂光照下的交通标志检测与识别

针对不同光照下交通标志图像检测与识别困难的问题,提出一种基于Retinex-Gamma的光照图像增强算法,该算法与Mask R-CNN相结合,称为Retinex-Gamma-MaskR-CNN算法.首先,基于光照反射成像模型将图像RGB空间转换为HSV空间,对V通道进行多尺度高斯滤波处理获得光照分量,利用光照分量提取反射分量,并对反射分量进行线性拉升优化;其次,利用光照分量的分布特征进行二维Gamma函数调整,并获得优化后的亮度分量;最后,利用混合空间增强法获得增强后的V通道,重新构造图像.实验采用的ZCTSDB数据集共有15 724幅图像,包含不同光照的驾驶环境.实验结果表明,与标准Mask R-CNN相比, Retinex-Gamma-Mask R-CNN算法对交通标志的目标检测的均值平均精度提升了0.161%,对交通标志的实例分割的均值平均精度提升了0.363%.     

基于改进Faster R-CNN的小目标检测算法

针对图像纹理细节等高频特征在基于卷积神经网络模型的特征提取过程中丢失，从而导致小目标检测效果较差的问题，提出一种多层频域特征融合的目标检测算法。算法以Faster R-CNN为基础框架，使用高频增强后的图像和对比度增强后的图像作为算法输入样本，提高了待检测图像质量；针对总像素面积较小的目标，更改RPN网络中的锚点尺度，并利用多尺度卷积特征融合的方法，融合来自不同特征层的特征，解决了小目标在深层特征图中特征信息丢失的问题。实验结果表明，所提算法在DAGM 2007数据集上具有良好的性能，平均精度均值mAP达到了97.9%,在PASCAL VOC 2007测试集上对小目标的mAP也明显优于原始Faster R-CNN的。     

基于改进Faster R-CNN的垃圾检测与分类方法

针对人工分拣垃圾环境差、任务繁重且分拣效率低的问题,为提高垃圾识别与分类的精确度,同时克服垃圾体积小及图像分辨率较低的难题,基于现有深度卷积神经网络模型,提出改进的Faster R-CNN目标检测模型与VGG16及ResNet50卷积神经网络相结合的方法。根据卷积网络的特性,修改Faster R-CNN网络结构,提升小目标检测任务精度,采用Soft-NMS算法替代传统的非极大值抑制算法,并对参数进行敏感分析,确定其参数范围为0.4~0.7。实验结果表明,与传统Faster R-CNN算法相比,该方法平均精确度提高8.26个百分点,综合识别率达到81.77%,且能够减少图像处理时间。     

基于Faster R-CNN的人体行为检测研究

由于人体行为类内差异大,类间相似性大,而且还存在视觉角度与遮挡等问题,使用人工提取特征的方法特征提取难度大并且难以提取有效特征,使得人体行为检测率较低。针对这个问题,本文在物体检测的基础上使用检测效果较好的Faster R-CNN算法来进行人体行为检测,并对Faster R-CNN算法与批量规范化算法和在线难例挖掘算法进行结合,有效利用了深度学习算法实现人体行为检测。对此改进算法进行实验验证,验证的分类和位置精度达到了80%以上,实验结果表明,改进的算法具有识别精度高的特点。     

基于区域划分和四元数的彩色图像复制粘贴篡改检测

现有的篡改检测方法中特征点提取不充分会导致篡改检测精度不高,特征点描述符识别率差,针对该问题提出一种基于颜色矩的区域划分和四元数Hu矩的彩色图像复制粘贴篡改检测算法。首先,使用自适应形态重建算法对图像进行超像素分割,通过密度聚类算法对图像自适应划分区域;其次,提出一种关键点提取方法得到均匀的SIFT特征点;然后,在一种新颖的彩色图像四元数表示方法中构建局部高斯金字塔提取Hu矩特征;最后,利用2NN进行特征匹配后,结合Delaunay三角形算法定位出复制粘贴篡改区域。在公共数据集上的实验结果表明,该算法可以更有效地定位篡改区域。     

基于DeepLab v3+的多任务图像拼接篡改检测算法

在图像拼接篡改检测任务中,受篡改区域尺度多样性及模糊操作的影响,传统分类算法难以提取图像篡改特征。提出一种基于DeepLab v3+的图像拼接篡改检测算法,使用浅层图像特征预测图像的篡改区域边界,提高模型对篡改边界的敏感性。在此基础上,通过多尺度融合特征对图像篡改区域进行分割,并在原空洞空间金字塔模块中融合空间和通道注意力机制,从而提高模型对多尺度篡改区域的适应性。实验结果表明,所提算法能有效检测图像的篡改区域,在CASIA v1.0和Columbia数据集中的分割精度分别为0.754 6和0.727 8,优于DCT、BAPPY、MFCN等算法。     

基于改进深度学习的图像敏感信息识别研究

对网站图像敏感信息识别检测问题，提出一种基于改进深度学习的图像敏感信息识别方法。通过特征融合网络，将经全局优化后的区域检测网络与全局识别网络提取特征相融合，并引入注意力机制，对图像中包含敏感部位的区域进行加权聚焦，提高模型检测效率和准确性。实验证明，采用通过全局特征优化后的区域检测网络，平均检测精度提高1%,相较于SSD、Faster R-CNN等目标生成网络，平均检测精度高8.54%与10.63%,提取结果更精准；融合局部特征的全局识别网络，识别精度随着局部特征提取准确度上升而上升，当提取种类到达10种时，识别精度比未加入高1.8%;通过引入注意力机制，本模型检测准确率提升明显，当聚焦点数为7时，比未引入高0.7%;最终，相较于未包含局部特征的ResNet50网络、虽然未包含局部特征但结构更复杂的ResNet101网络，与虽然考虑局部特征，但未与全局特征进行融合的DMCNet网络，本模型检测准确率平均高出3.25%、2.15%和6%,且耗费时间较短，具有更高的鉴别力和检测效率。     

迭代Faster R-CNN的密集行人检测

行人检测是利用计算机视觉技术判断图像或者视频序列中是否存在行人并给予精确定位。针对行人检测在密集场景下普遍存在的行人间遮挡问题，提出基于迭代Faster R-CNN的密集行人检测模型，利用一种IterDet迭代方案对Faster R-CNN进行改进，有效解决非极大值抑制（NMS）算法及其改进在选择精确度和召回率之间平衡点的难题。同时利用递归金字塔结构（RFP）进一步增强模型提取特征能力。在具有挑战性的WiderPerson和CrowdHuman数据集上进行训练和验证，实验结果表明，该模型相比Faster R-CNN在精度和召回率显著提升的同时，漏检率也明显降低。尤其在WiderPerson数据集上召回率、精度、漏检率等性能指标分别达到了97.65%、91.29%、40.43%的SOTA结果。     

结合反射图像的双流多层次融合人脸活体检测

针对从RGB图像提取到的特征对光照敏感，导致人脸活体检测模型泛化性能较差的问题，提出一种结合反射图像的双流多层次融合检测（face anti-spoofing using dual-stream multi-level fusion and reflection images,DMF-RI）算法。对RGB图像进行带色彩恢复的多尺度Retinex增强，获得反射图，并分别提取原图和反射图的低、中、高多层次深度特征；通过双流多层次特征融合模块（dual multi-level feature fusion,DMFF）实现不同层次不同特征的有效融合；联合基于二值掩码的像素级监督和基于二值标签的二分类监督训练网络模型。在CASIA-FASD、Replay-Attack、MSU-MFSD、OULU-NPU和SiW这5个人脸活体检测数据集上的多组实验表明，所提算法通过多层次融合RGB图像和MSRCR图像的深度特征，能提取人脸中更为本质的特征信息，在复杂背景条件下表现出较强的鲁棒性和泛化能力。