| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序言 | 第9-12页 |
| 1 引言 | 第12-22页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 数字图像操作取证简介 | 第13-14页 |
| 1.3 深度学习—卷积神经网络(CNN)简介 | 第14-17页 |
| 1.4 数字图像操作取证研究现状 | 第17-19页 |
| 1.4.1 数字图像操作取证传统检测算法 | 第17-18页 |
| 1.4.2 基于深度学习的数字图像操作检测 | 第18-19页 |
| 1.5 本文的研究工作 | 第19-20页 |
| 1.6 本文结构安排 | 第20-21页 |
| 1.7 本章小结 | 第21-22页 |
| 2 基于CNN的中值滤波取证 | 第22-34页 |
| 2.1 中值滤波简介 | 第22-24页 |
| 2.2 检测模型MFNet | 第24-29页 |
| 2.2.1 MFNet网络结构 | 第24-25页 |
| 2.2.2 预处理层:放大小图像块 | 第25-27页 |
| 2.2.3 Mlpconv层:增强网络非线性 | 第27-28页 |
| 2.2.4 网络其他部分 | 第28-29页 |
| 2.3 MFNet模型参数设置 | 第29页 |
| 2.4 实验结果 | 第29-33页 |
| 2.4.1 放大有效性分析 | 第30-31页 |
| 2.4.2 验证MFNet无放大层时有效性 | 第31-32页 |
| 2.4.3 关于放大不同倍数图像的实验结果 | 第32页 |
| 2.4.4 关于其他尺寸图像的实验 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 3 基于CNN的多类图像操作检测 | 第34-43页 |
| 3.1 多类操作统计特征分析 | 第34-35页 |
| 3.2 网络模型设计 | 第35-39页 |
| 3.2.1 放大层 | 第36-37页 |
| 3.2.2 多尺度卷积层 | 第37-38页 |
| 3.2.3 Mlpconv层和Shortcut connection结构 | 第38页 |
| 3.2.4 网络其他结构 | 第38-39页 |
| 3.3 实验结果 | 第39-41页 |
| 3.3.1 多类图像操作检测 | 第39-41页 |
| 3.3.2 单类图像操作检测 | 第41页 |
| 3.4 本章小结 | 第41-43页 |
| 4 多层次特征融合图像操作检测 | 第43-48页 |
| 4.1 多层次特征融合结构 | 第43-44页 |
| 4.2 网络结构设计 | 第44-45页 |
| 4.3 实验结果 | 第45-47页 |
| 4.3.1 检测不同的图像操作 | 第46页 |
| 4.3.2 二分类单操作检测 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 5 结论 | 第48-50页 |
| 5.1 本文总结 | 第48-49页 |
| 5.2 论文展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第53-55页 |
| 学位论文数据集 | 第55页 |