Learning Rich Features for Image Manipulation Detection 论文阅读记录

4、实验部分

在四个数据集上比较结果，同时比较数据增广和不同压缩方面的鲁棒性

在标准数据集中缺乏足够的样本数量，在此基础上我们选择并基于COCO数据集进行预训练工作，并采用9:1的训练与验证比例设置，并确保同一时间不会出现两个不同的版本的数据集版本同时存在。随后我们生成了包含42,000张篡改图像以及真实图像的数据集，并实现了bounding box的标准化清理工作，在此过程中将bounding box的有效区域适当扩大了一定比例以提升模型鲁棒性

基于合成数据测试，ResNet-101模型在Faster-RCNN架构中采用了平均精度（AP）作为性能评估指标。实验结果表明，并行处理框架的单数据流处理能力能够通过分析A和B两个特征的影响程度以及两者的综合表现来体现其优势。

下面列举了4个数据集和比较的基准方法：

Data Sets. We assess our method against existing top-tier methods across the NIST Nimble 2016 dataset (NIST-16), CASIA (cases 12 and 13), the COVER dataset (number 30) and Columbia’s baseline dataset, as well as the baseline models.

得到 F1 和AUC

该研究揭示了哥伦比亚数据库对于噪声的高度敏感性，并指出基于卷积神经网络（CNN）的方法实际上依赖于特征提取技术。

Data Augmentation. We examine various data augmentation techniques as outlined in Table 5. In comparison to not applying any augmentation, images undergoing flipping experience a significant elevation of their performance metrics. While this method shows enhanced effectiveness, other augmentations such as JPEG compression and noise injection demonstrate minimal impact on overall results.

鲁棒性在JPEG压缩和尺寸调整攻击中的抗性表现如何？我们通过对比实验来测试我们的方法，并将其与表6中列出的三种现有方法进行比较（其代码已公开）。结果显示，在这些攻击条件下以及经不同程度缩放与压缩后的鲁棒性表现上，我们的方法更为稳定且可靠。

可以看出，在被注入的噪声区域以及篡改区域边缘处均会产生显著的差异性特征。其中拼接检测相对较为容易进行；相比之下，在被注入的噪声区域内表现出了明显的不同特性；而复制粘贴式的攻击手段较难被发现。由于这些篡改区域均来源于同一原始数据块，并且具有相似的噪声分布特性

最后是效果：