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。发表于：。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（Pooled Cube and Strip Distillation）连续学习框架来帮助 CMFDFormer 处理新任务。通过在综合分析 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，并使用基于自相关计算、分层特征融合、多尺度循环全连接块和掩码重建块构建...
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。
