基于深度神经网络的图像修复被动取证
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第7-15页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 数字图像取证技术 | 第8-12页 |
| 1.2.1 主动取证 | 第9页 |
| 1.2.2 被动取证 | 第9-12页 |
| 1.3 图像修复技术 | 第12-13页 |
| 1.4 图像修复被动取证技术的研究现状 | 第13-14页 |
| 1.5 本文组织结构 | 第14-15页 |
| 第2章 深度神经网络概述 | 第15-28页 |
| 2.1 浅层学习与深度学习 | 第15-16页 |
| 2.2 深度神经网络的基本理论 | 第16-24页 |
| 2.2.1 卷积 | 第16-17页 |
| 2.2.2 局部感受野 | 第17-18页 |
| 2.2.3 权值共享 | 第18-19页 |
| 2.2.4 池化 | 第19页 |
| 2.2.5 BP反向传播算法 | 第19-21页 |
| 2.2.6 卷积神经网络反向传播 | 第21-24页 |
| 2.3 基于深度神经网络的图像篡改取证研究 | 第24-25页 |
| 2.4 深度神经网络计算框架Keras简介 | 第25-26页 |
| 2.4.1 Keras的设计原则 | 第25-26页 |
| 2.4.2 Keras里常用模块说明 | 第26页 |
| 2.5 本章小结 | 第26-28页 |
| 第3章 基于深度神经网络的图像修复被动取证 | 第28-39页 |
| 3.1 网络结构设计原理 | 第28-31页 |
| 3.1.1 卷积层 | 第29页 |
| 3.1.2 池化层 | 第29-30页 |
| 3.1.3 上采样层 | 第30-31页 |
| 3.1.4 输出层 | 第31页 |
| 3.2 网络详细参数说明 | 第31-33页 |
| 3.3 网络优化方法 | 第33-37页 |
| 3.3.1 随机梯度下降SGD | 第33-34页 |
| 3.3.2 梯度下降的优化算法 | 第34-35页 |
| 3.3.3 Dropout | 第35-36页 |
| 3.3.4 BN层 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 实验 | 第39-56页 |
| 4.1 实验数据说明 | 第39-41页 |
| 4.2 实验数据的处理算法 | 第41-49页 |
| 4.2.1 Criminisi算法 | 第42页 |
| 4.2.2 Shif-map算法 | 第42-43页 |
| 4.2.3 JPEG压缩操作 | 第43-45页 |
| 4.2.4 图像缩放操作 | 第45-46页 |
| 4.2.5 数据增强 | 第46-49页 |
| 4.4 实验结果及分析 | 第49-54页 |
| 4.4.1 与传统图像对比的实验结果及分析 | 第49-50页 |
| 4.4.2 UCID数据集的实验结果及分析 | 第50-52页 |
| 4.4.3 后处理数据集的实验结果及分析 | 第52-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 发表论文和参加科研情况说明 | 第62-63页 |
| 致谢 | 第63页 |
