BriefGPT - AI 论文速递
·
CMFDFormer: 基于 Transformer 的连续学习的复制 - 移动伪造检测
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
提出了一种名为CMFDFormer的变压器风格的复制移动伪造检测网络，并提供了一种新颖的PCSD连续学习框架来帮助CMFDFormer处理新任务。通过综合分析CNN风格和MLP风格骨干网络的基础上采用变压器风格网络作为骨干网络，并使用自相关计算、分层特征融合、多尺度循环全连接块和掩码重建块构建PHD网络，实现不同风格的特征提取器的分层多尺度信息提取，从而达到可比较的性能。此外，提出了一种PCSD连续学习框架，以改善伪造的可检测性并在处理新任务时避免灾难性遗忘，该框架限制了PHD网络的中间特征，并利用了立方体池和条带池两者的优势。实验证明了CMFDFormer的良好性能和PCSD连续学习框架的有效性。
🎯
关键要点
-
提出了一种名为CMFDFormer的变压器风格的复制移动伪造检测网络。
-
CMFDFormer结合了CNN风格和MLP风格的骨干网络，采用变压器风格网络作为基础。
-
使用自相关计算、分层特征融合、多尺度循环全连接块和掩码重建块构建PHD网络。
-
实现了不同风格特征提取器的分层多尺度信息提取，达到可比较的性能。
-
提出了PCSD连续学习框架，以改善伪造的可检测性并避免灾难性遗忘。
-
PCSD框架限制了PHD网络的中间特征，利用立方体池和条带池的优势。
-
针对公开可用数据集进行了大量实验，验证了CMFDFormer的良好性能和PCSD框架的有效性。
➡️
