| description |
|---|
Two-Stage Copy-Move Forgery Detection with Self Deep Matching and Proposal SuperGlue |
Yaqi Liu, Chao Xia, Xiaobin Zhu, and Shengwei Xu. 2021. Two-Stage Copy-Move Forgery Detection with Self Deep Matching and Proposal SuperGlue. Ieee T Image Process PP, 99 (2021), 1–1. DOI:https://doi.org/10.1109/tip.2021.3132828
两个阶段，分别是一个端到端的深度匹配，另一个是提出的基于SuperGlue的关键点匹配。
作者主要就是整合了空洞卷积，跳跃匹配以及空间注意力机制，搭建了一个骨干网络，self deep matching, 来生成backbone socre map, 什么打分矩阵，里面就是各个像素点的可能是篡改区域的可能性。
空洞卷积用来获取更高分辨率的特征图；跳跃匹配可以得到更多层次的信息，multi-hierachical；使用空间注意力机制的自相关模块可以用来获取inherent connections, 前后的连接？？，在空间注意力和自相关之间。（他说以前的方法都是只用了VGG16，他们还尝试了好多，包括像ResNet50, 101,）他们认为这个第一阶段的骨干网络就是一个filter，一个过滤，来帮助找到可疑的篡改区域。
但是第一阶段找到的可疑篡改区域可能有些是错误的，false-alarmed, 或者是不完全的，in-complete regions, 所以他们提出了第二阶段，用来移除这些误报，然后修复这些不完全的候选区域。
在第一个阶段就是用深度学习，找了个图像识别的经典网络，加上了一些特征提取以及匹配中的小方法，像是使用了空洞卷积，然后使用了跳跃匹配，以及在自相关里面使用了空间注意力机制。在第二个阶段，作者同样是在做匹配，只不过第二阶段是基于关键点的匹配，Proposal SuperGlue, 还是将原图输入进去，作者首先是用来一个找候选bounding box的方法（Learing to segement object candidates, Pedro et al,. 2015），一个物体检测的方法？？，找到了很多个候选的bounding boxes，然后把这些大量的候选bounding boxes放到一个选择模块里面。这个挑选模块就会淘汰掉很多个之前通过那个物体检测得到的bounding boxes，具体是怎么挑选的，作者利用在第一阶段的得到的打分矩阵来做选择，这样就把两个阶段结合起来了，作者说是在深度匹配和关键点匹配上搭建了一个桥梁。
得到被筛选之后的bounding boxes之后，作者使用SuperPoint来提取关键点，然后使用SuperGlue来做关键点匹配。然后也结合在第一阶段得到的打分矩阵，生成了匹配的接管以及第二阶段的打分矩阵。再通过一个全连接的ConvCRF(Convolutional Conditional Random Field)，（18年，用来做语义图像分割人物）
找bounding box的方式一个个匹配，这样好像容易出现mosaic artifact？？就是一块一块的，同时，因为是来自于物体检测里面的方法，所以，对于某些背景的copy move的检测可能并不到位，例如真实的图像是一群鸭子在水面上，然后复制一块水面，粘贴到一支鸭子上，然后网络可能选不出水面这个bounding box。而如果是对于复制一个鸭子再粘贴一个鸭子，可能容易找到bounding box进行特征匹配。（会有这样的问题吗）