基于ResNet与多尺度特征融合的源相机模型识别算法研究
| 摘要 | 第8-10页 |
| Abstract | 第10-11页 |
| 符号说明 | 第12-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 基于成像过程噪声的相机模型识别方法 | 第14-17页 |
| 1.2.2 基于深度学习的方法 | 第17-19页 |
| 1.3 主要研究内容 | 第19-20页 |
| 1.4 文章组织结构 | 第20-21页 |
| 第二章 相机模型识别技术 | 第21-37页 |
| 2.1 相机模型识别的内在原理 | 第21-22页 |
| 2.2 本文采用的数据集 | 第22-24页 |
| 2.3 基于PRNU的图像源相机模型识别原理 | 第24-26页 |
| 2.4 基于深度学习的源相机模型识别原理 | 第26-35页 |
| 2.4.1 特征提取 | 第26-31页 |
| 2.4.2 残差神经网络的引入 | 第31-32页 |
| 2.4.3 多尺度特征融合 | 第32-35页 |
| 2.4.4 损失函数及网络的优化算法 | 第35页 |
| 2.5 本章小结 | 第35-37页 |
| 第三章 基于深度学习的源相机模型识别关键问題研究 | 第37-52页 |
| 3.1 深度学习用于图像源相机模型识别 | 第37-38页 |
| 3.1.1 数据集的建立 | 第37-38页 |
| 3.1.2 数据预处理 | 第38页 |
| 3.1.3 神经网络训练 | 第38页 |
| 3.1.4 测试及性能评估 | 第38页 |
| 3.2 数据集的建立 | 第38-41页 |
| 3.2.1 patches的提取 | 第39-41页 |
| 3.2.2 数据集的划分 | 第41页 |
| 3.3 数据预处理 | 第41-46页 |
| 3.3.1 使用高通滤波器对图像进行处理 | 第42-43页 |
| 3.3.2 使用局部二值模型对图像进行处理 | 第43-45页 |
| 3.3.3 数据集的组织形式 | 第45-46页 |
| 3.4 网络模型 | 第46-51页 |
| 3.4.1 网络结构 | 第47-50页 |
| 3.4.2 神经网络的训练流程 | 第50-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 实验与结果分析 | 第52-56页 |
| 4.1 实验平台与训练策略 | 第52页 |
| 4.2 对比实验与结果分析 | 第52-54页 |
| 4.2.1 实验结果 | 第52-54页 |
| 4.2.2 结果分析 | 第54页 |
| 4.3 结果对比 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士期间参与的工程项目和发表的论文 | 第62-63页 |
| 学位论文评阅及答辩情况表 | 第63页 |
