融合大核注意力卷積的輕量化圖像篡改定位算法

王 宏，錢 清，王 歡，龍 永

（貴州財經大學 信息學院，貴陽 550025）

0 引言

在過去十年中，全球數據流量以前所未有的速度增長，促進了圖像在當代社會的傳播。但隨著多媒體應用的普及和數字圖像編輯軟件的發展，圖像的真實性嚴重影響了圖像的使用，懷有惡意的圖像偽造篡改成為全球關注的問題。在圖像被動取證領域，圖像的復制-粘貼篡改因源區域和目標區域源于同一張圖像，篡改區域具有的特征（如飽和度、光源、噪聲等）能不加改變就具有良好的適應性，因此具有較強的隱匿性，不易被識別［1］。同時，海量圖像的傳播對復制-粘貼篡改檢測計算量提出嚴苛的挑戰，對算法效率要求較高。

深度學習作為一種基于人工神經網絡的機器學習概念，以數據驅動通過分析海量數據捕捉任務的主要特征。根據深度學習的結構特點，可分為卷積神經網絡（Convolutional Neural Network，CNN）［2］和循環神經網絡。深度學習因具有精準度高、結構多樣、可自主學習［3］等優點，能夠解決不同應用領域的大部分問題，具有廣泛的應用空間。

研究表明，CNN 具有平移不變性，能夠通過重復簡單的模式來描述復雜的模型，不易發生過擬合，模型更易理解，能夠充分利用局部語義信息等優點。但是卷積層只能緩慢增加感受野，忽略了長端依賴性，從而影響模型的表現能力。

注意力模型已經成為自然語言處理領域中的主流技術之一，近年來，也在計算機視覺領域得到廣泛應用［4］，注意力模型具有在初期就可獲取全局感受野、可并行化操作等優點，但注意力模型所需要的計算資源龐大，同時還有忽略圖像位置信息、在小數據集上表現不強、無法捕捉局部信息和不能實現通道維度適應性等缺點。雖然利用CNN 的特點將注意力模型進行輕量化能有效克服計算資源龐大等缺點［5］；然而，局部信息的獲取、在小數據集上表現不強和通道維度適應性差等問題仍未解決。

因此，本文改進了原有EfficientNetV2［6］，將大核注意力（Large Kernel Attention，LKA）卷積模塊引入EfficientNetV2，提出了LKA-EfficientNet（Large Kernel Attention EfficientNet）算法，從而在圖像被動取證領域對圖像復制-粘貼篡改進行檢測。本文的主要工作如下：

1）在EfficientNetV2 中設計大核注意力（LKA）卷積塊，實現圖像復制-粘貼定位，通過通道卷積、標準卷積、空洞卷積的融合，在網絡初期利用注意力優勢獲取全局感受野，規避注意力機制的高計算開銷并提高了運算速度。

2）針對圖像復制-粘貼篡改操作所固有的特點，進一步壓縮精簡EfficientNetV2，通過精簡網絡結構降低計算復雜度并有效提高精度。

1 相關工作

早期的圖像復制-粘貼篡改檢測算法聚焦于圖像塊的遷移［7］。Cozzolino 等［8］提出一種較通用的傳統復制-粘貼篡改檢測框架，包含提取圖像特征、相似特征匹配、定位源區域和目標區域?；诖擞址譃閳D像塊檢測［9］和特征點檢測算法［10］，但不論是基于圖像塊還是基于特征點的算法都有局限性，例如圖像處理緩慢、泛化性差、只針對特定的幾類篡改類型的圖像等［11］。

近年來，由于深度學習的精準度高、結構多樣、可自主學習性強的特點，深度學習逐漸被應用到圖像被動取證領域。Rao 等［12］提出以第一層為高通濾波器的CNN 架構，提取殘差特征映射，從而分辨篡改偽造圖像；Wu 等［13］設計端到端的篡改檢測網絡BusterNet，采取雙分支結構，通過檢測圖像相似度來識別源區域和目標區域，但對雙分支要求較高，辨識效果較差；Chen 等［14］提出一種串行分支網絡模型以改進BusterNet 的缺點，該網絡包含相似性檢測網絡CMSDNet（Copy-Move Similarity Detection Network）和目標鑒別網絡STRDNet（Source/Target Region Distinguishment Network）。STRDNet 研究CMSDNet 獲得的相似塊的分類問題，相較于BusterNet 的分支更簡單且準確率更高，但是運算量過大。Zhou 等［15］基 于RGB 流和噪聲流，提出雙流Faster R-CNN（Faster Region-based Convolutional Neural Network）的圖像篡改檢測，并使用雙線性池化層將特征進行融合，該方法對圖片縮放、壓縮具有很強的魯棒性，但網絡能力有限，對多種篡改類型的檢測效果不佳；Wu 等［16］設計的ManTra-Net（Manipulation Tracing Network）為串行網絡，包括圖像檢測網絡和局部異常檢測網絡，在圖像檢測網絡中通過ZPool2D 層模擬人眼進行距離分析，并通過Z 分數的形式標準化局部特征與其參考之間的差異；該網絡對微小篡改具有魯棒性，輸入圖像尺寸靈活可變，但網絡檢測效果較差。徐代等［17］基于文獻［15］提出三流網絡，分別對圖像不同特征進行檢測從而提高網絡輸出精度；Zhong 等［18］提出基于Dense-InceptionNet 的檢測方案，充分使用多尺度信息和稠密特征，通過特征金字塔提取特征，使用特征相關匹配算法和后處理步驟定位源區域與目標區域。該算法對幾何變換篡改和JPEG（Joint Photographic Experts Group）壓縮都有一定的魯棒性。吳旭等［19］通過副分支研究篡改區域邊緣的像素間差異來提高檢測精度；Barni 等［20］提出多分支網絡對圖像復制篡改進行檢測以識別源區域和目標區域，分別對4-Twins Net 分支和Siamese Net 分支進行訓練并完成定位，具有精度高、識別明顯等優點，但利用四分支導致網絡龐大且臃腫。

2 預備知識

2.1 大核注意力卷積

近些年來，自注意力模塊在各種計算機視覺領域得到廣泛應用。然而，圖像的性質和自注意力的機制相性不高，自注意力的應用在計算機視覺領域中出現了以下問題：1）將圖像作為一維序列處理，不符合圖像的二維架構；2）較高復雜度的計算開銷對于高分辨率圖像來說資源耗費過于龐大；3）只考慮空間適應性，忽略了圖像的通道適應性。

為了解決自注意力存在的問題，基于大核卷積的注意力機制應運而生。如圖1 所示，LKA 模塊由三個卷積組成，分別是普通卷積，卷積核為5 × 5；空洞卷積，卷積核為7 × 7，間距為3；通道卷積，卷積核為1 × 1。LKA 兼顧卷積和Transformer 的優點，解決了卷積在長端依賴性差和Transformer 在局部信息和通道維度上適應性差的問題；但目前基于卷積的注意力機制主要應用在圖像分類領域，應用在圖像復制-粘貼取證領域的相關研究較少。

圖1 LKA模塊的構成Fig.1 Composition of LKA module

因此，為了克服傳統卷積的缺點，本文采用大核注意力卷積提取全局感受野的圖像特征，使提取的圖像特征相較于傳統卷積具有長端依賴性。

2.2 EfficientNetV2算法

EfficientNetV2 利用漸進式學習策略，通過復合縮放對比不同深度、寬度和輸入圖像的分辨率，尋找最優解，進而實現精度和計算量的均衡［6］。它的主要模塊Fused-MBConv 和MBConv 如圖2 所示，MBConv 模塊先進行升維操作，再通過深度可分離卷積進行運算，最后進行降維操作；Fused-MBConv 將升維卷積和可分離卷積替換為普通3 × 3卷積，從而提高運算速度。在早期階段中Fused-MBConv 在網絡上層參數和理論計算量的開銷較小，通過融合能提高運算速度；但是如果所有塊都使用Fused-MBConv，網絡會增加參數量和理論計算量，降低運算速度。

圖2 EfficientNetV2的主要模塊Fig.2 Main modules of EfficientNetV2

圖像的篡改部分通常都具有與原圖某片區域相似的性質，更深層的特征在消耗更多計算資源的情況下趨于收斂從而難以區分，降低了算法精度。因此傳統的EfficientNetV2不適用于圖像復制-粘貼檢測，相關研究較少。

本文在EfficientNetV2 中設計LKA 卷積塊，并經過大量實驗對基干網絡中輸出通道數和重復次數進行了壓縮，優化了網絡結構，在保證檢測精度的同時提高檢測效率。

2.3 多尺度特征金字塔

特征金字塔網絡（Feature Pyramid Network，FPN）作為多尺度目標識別的關鍵組件，能同時利用低層特征的高辨識度特點和高層特征的強語義信息，融合不同層的特征從而檢測出目標區域。由于FPN 的內存占用和計算量大，嚴重限制了它的廣泛使用［21］。本文利用網絡本身固有的多尺度、層次化特點構建FPN，在多層不同尺度上構建高層語義特征，克服FPN 的缺點并實現目標區域檢測。

不同圖像對同一目標的表征不同，這一表征的外在表現為顏色、尺寸的不同，但它的內在特征具有同一性。FPN 能實現低層特征語義信息與高層語義信息的融合，從而精確地定位源區域與目標區域。FPN 通過相關特征層數的累加獲得一個強語義信息，變相增加低層特征的深度并融合多層的信息特征，從而對不同的特征進行輸出并提高檢測性能。

FPN 對不同層數的不同特征分別進行圖像篡改檢測，而后對結果進行加權，當使用更深的層次構造FPN 時，能夠得到更魯棒的信息，從而通過低層特征和經過上采樣處理過的高層特征的融合，利用低層特征所提供的準確位置信息來修正高層特征經過多次降采樣和上采樣所造成的定位誤差。

3 LKA-EfficientNet算法

近年來，隨著多媒體的興起和圖像的廣泛使用，對圖像的復制-粘貼篡改操作愈加容易，而圖像的真實性也變得愈加重要。由于篡改圖像的圖像特性，在消耗更多硬件資源的情況下所進行的更深層次的信息抽取網絡結構并不能有效提升算法的精度。與此同時，傳統卷積感受野增加緩慢且無法實現長端依賴性，會影響算法的表現能力。為此，本文充分融合大核卷積注意力機制的長端依賴性和全局感受野特性，對傳統EfficientNetV2 進行了改進，設計了一種新的基于大核注意力卷積塊的輕量化網絡模型以實現復制-粘貼篡改圖像的檢測和定位。如圖3 所示，本文提出的LKAEfficientNet 是一種高效的端到端篡改檢測算法，可將所有模塊連接起來作為一個整體進行訓練。

圖3 融合大核卷積的輕量級多尺度融合的圖像篡改檢測算法流程Fig.3 Flow chart of image tamper detection algorithm based on lightweight multi-scale fusion with large kernel convolution

針對現有基干網絡特征提取不全、檢測精度較低、泛化能力差、時間復雜度高等問題，本文改進了原始EfficientNetV2，采用LKA 卷積塊替代傳統卷積塊，使得網絡獲得長端依賴性和全局感受野，從而提取粗粒度的全局圖像特征；隨后，進一步壓縮了EfficientNetV2 中輸出通道和重復層數，從全局圖像特征中提取多維、多尺度的細粒度特征；最后，利用通過FPN 得到的三個候選匹配圖融合處理獲得三元組交叉熵函損失函數［22］進行訓練并更新網絡權重，從而在定位源區域與目標區域的同時提高網絡性能。

3.1 LKA-EfficientNet

原始EfficientNetV2 和LKA-EfficientNet 的網絡結構分別如 表1～2 所示。表1 中Conv3×3 表示普通3 × 3 卷積+SiLU（Sigmoid Linear Unit）激活函數+批歸一化（BatchNorm，BN）正則函數；SE（Squeeze and Excitation）為自注意力模塊，0.25為SE 模塊中第一個全連接層的系數，表示輸入該模塊特征矩陣通道數量的表示卷積核大??；Fused-MBConv、MBConv 后的數字為膨脹系數。由于傳統卷積模塊的感受野較小且增長緩慢，無法高效利用圖像的遠端像素，本文在基干網絡開端引入LKA，充分利用LKA 具有長端依賴和能夠獲取全局感受野的特性，提取了圖像粗粒度全局特征，有效提高了網絡精度。

表1 原始EfficientNetV2算法的網絡結構Tab.1 Network structure of original EfficientNetV2 algorithm

此外，為了能夠提高基干網絡的運行效率和檢測精度，本文通過實驗論證對Fused-MBConv 和MBConv 層中的輸出通道和重復層數進行了壓縮，在減少參數與理論計算量的前提下保證了檢測精度，提高了檢測效率。

從表2 可以看出，本文在EfficientNetV2 模型設計了LKA卷積塊，并在后續的各模塊中壓縮了輸出通道數和重復層數。在壓縮過程中，充分利用網格搜索對網絡深度進行搜索，在確定深度的前提下對網絡層間重復次數進行搜索，然后再對網絡寬度進行搜索從而確定網絡參數，通過參數和維度的縮減來優化精簡算法，在保證算法精度的同時減小網絡計算開銷，經過基干網絡提取的細粒度、多尺度特征圖像將輸出至FPN。

表2 LKA-EfficientNet算法的網絡結構Tab.2 Network structure of LKA-EfficientNet algorithm

3.2 基于特征金字塔的后處理圖像篡改定位算法

LKA-EfficientNet 利用一個輔助匹配模塊來定位源區域與目標區域并學習豐富的層次特征之間的相關性。三個候選像素塊的區域大小分別為28 × 28、14 × 14、7 × 7，候選像素塊的深度分別為48、64、128。LKA-EfficientNet 使用歐氏距離定義特征相關系數。設特征塊為P0，其中P0={P1，P2，…，Pi…，PN×N}，則P1的M維的描述算子為：

其中：N為候選像素塊中像素點的數量；M為特征深度。定義特征點Pi與其他特征點的特征相關系數，如式（2）所示：

其中：下標i和j表示特征點Pi和Pj在相應的匹配映射中的定位；Pci，j為配對測量值，表示特征點Pi和Pj間特征相關系數。當相關系數接近0 時，說明兩個特征點非常相似，其中Pci，i的相關系數為0。

LKA-EfficientNet 利用2NN（Two Nearest Neighbour）匹配算法減小匹配誤差［23］。定義Pci，j為次小特征相關系數，Pci，k為第三小特征相關系數，設定閾值TL=0.65，匹配條件為：

隨后，LKA-EfficientNet 對相關特征進行篩選，使用特征匹配度量來度量源像素與其候選目標像素之間的相似性，并將其轉化為二分類問題，步驟如式（4）所示，α=2：當特征匹配度量符合條件時，輸出結果接近1；而當不符合條件時，輸出結果接近0，由此篩選出特征候選區域。圖4 表示了FPN中不同層的處理結果與融合結果。

圖4 三個匹配圖及其組合Fig.4 Three matching maps and their combinations

利用低層特征所提供的準確位置信息修正高層特征經過多次降采樣和上采樣所造成的定位誤差。圖像篡改定位部分以偽代碼形式給出。

從表 1中可以看出, 當網格節點數量大于5×105時, 數值計算收斂, 計算的平均誤差小于7%， 在可以接受的范圍之內, 并且隨著網格節點數量的增大, 計算結果沒有發生顯著變化, 綜合考慮計算準確性與經濟性, 本文選用節點數量為8.5×105的網格作為數值模擬所用的計算網格.

輸入M維特征，每個維度中N×N特征值，TL閾值，系數因子α；

輸出 特征相似性表征P。

3.3 基于三元組交叉熵損失函數的網絡參數更新算法

LKA-EfficientNet 將2NN 匹配算法處理后的對數化候選特征矩陣作為損失函數中的函數，將事實像素GT（Ground Truth）中不同類別的像素作為損失函數中的系數，兩者配合組成損失函數。隨后LKA-EfficientNet 利用損失函數量化網絡預測結果與GT 之間的差值，通過梯度下降更新網絡權重，進而減小量化指標提升網絡預測結果與GT 的相似性。

為了提升圖像篡改定位的精確性，本文利用三元組交叉熵損失函數對輸入相似結構能夠精確地對細節建模的性質，通過訓練縮減錨（Anchor）與標記區域之間的距離并擴大Anchor 與無篡改區域的距離，促使類間距離大于類內距離，如圖5 所示。

圖5 三元組損失函數Fig.5 Triplet loss function

由式（4）計算得到相對應的候選矩陣后，特征匹配Ⅰ、Ⅱ、Ⅲ組成了特征金字塔，其中：特征匹配Ⅰ提供全局和粗粒度特性的匹配相關性，特征匹配Ⅱ、Ⅲ提供局部和精細特性的匹配相關性。為便于使用交叉熵進行全局統計與局部統計，使用雙線性插值將候選圖拓展成224×224。由式（4）可知，上采樣特征匹配的特征匹配系數P(Xi，j)在（0，1）范圍內，計算上采樣后的匹配映射的像素i和j相較于它的標簽的交叉熵：

通過交叉熵衡量候選矩陣與GT 概率分布的差異程度，隨后通過熵的大小表征真實概率分布與預測概率分布之間的差異，并利用交叉熵損失函數的梯度從其負梯度方向進行反向傳播更新參數進而優化網絡。

4 實驗與結果分析

本文主要從消融實驗、抗攻擊實驗、泛化實驗等幾個方面對LKA-EfficientNet 和相關算法進行性能比較與分析。

實驗環境為：Python3.8、PyTorch1.10，GPU 為RTX3060，實驗參數為Dropout=0.15，batchsize=32，優化器為SGD+Momentum，初始學習率為0.001，訓練集和驗證集的劃分比例為8∶2，輸入圖像大小為224 × 224，三個候選像素塊的區域大小分別為28 × 28、14 × 14、7 × 7，三個候選像素塊的深度為48、64、128。

4.1 數據集與評價指標

混合數據集：將CASIA2.0［24］和Comofod_small［25］數據集進行混合，總計20 665 張圖片，包含真實圖片12 449 張，篡改圖片8 216 張。數據集的混合不僅能增大訓練量，并且包含被攻擊數據，所以網絡能通過數據集的訓練提高檢測性能。

Dataset 數據集［26］：包含多種攻擊下的篡改圖片總計2 200 張。

MICC-F2000 數據集［27］：由2 000 張圖片組成，其中，1 300張為真實圖片，700 張為篡改圖片。

COVERAGE 數據集［28］：由200 張圖片組成，包含100 張篡改圖片。

MICC-F600 數據集［29］：共計600 張圖片，其中，440 張為真實圖片，160 張為篡改圖片。

使用查準率P（Precision）、查全率R（Recall）、F1 分數［30］和精度Acc（Accuracy）評估性能，并且使用浮點運算量［31］和參數量衡量算法復雜程度。Acc為模型預測為真且標簽為真的數據與模型預測為假且標簽為假的數據之和除以總樣本數；P為正確檢測到的偽造圖像與所有檢測到的圖像的比率；R為正確檢測到的偽造圖像與所有偽造圖像的比例。

P=預測為1且正確的樣本數所有預測為1的樣本數

R=預測為1且正確的樣本數真實標簽為1的樣本數

F1 值作為綜合標準，兼顧查準率和查全率。

RF1=2PR(P+R)

4.2 實驗結果與分析

4.2.1 消融實驗

消融實驗均在混合數據集上進行。表3 是在多個不同類型的網絡上進行的消融實驗，實驗的具體設置參數如下：使用第三類Early Stopping 函數，代數為20 代，使用SGD+Momentum 優化器。對網絡代數進行限制，16 層時代數為150 代，每增加4 層，代數增加50 代，添加LKA 模塊后網絡代數在原有基礎上增加30 代。

表3 不同層數的基干網絡消融實驗結果Tab.3 Ablation experimental results of backbone networks with different layers

通過表3 可以看出，在添加LKA 模塊后，網絡在相同層數下，精度因為網絡未能充分訓練而發生訓練效果減弱等問題。通過擴展一定的模型層數，能夠顯著提高模型精度，提升檢測性能。

現行的圖像復制-粘貼篡改網絡［12］因源區域和目標區域的性質而被限制網絡的深度。而網絡的深度影響模型的精度，當使用CNN 定位源區域和目標區域或通過CNN 區分圖像是否篡改時，網絡的深度都至關重要。本文通過三類典型的CNN 比較，可以看出LKA 模塊能夠有效拓展網絡深度，從而優化算法。

表4 為不同網絡的層數的消融實驗，層數通過原始基干網絡乘以膨脹系數得出。對比的網絡如下：

表4 不同層數下各網絡的精度對比Tab.4 Comparison of accuracy of different networks under different layers

殘差網絡（Residual Network，ResNet）［32］：作為經典的深度學習網絡結構，通過引入殘差連接解決了深層網絡訓練中的梯度消失和梯度爆炸問題。

ShuffleNet［33］：輕量級的神經網絡結構，通過分組卷積、逐點卷積以及通道重排等操作提高模型的計算效率和并減少內存消耗。

RegNet［34］：作為一種通用型的網絡結構，提供了一組網絡架構計算規則，根據不同的計算資源和性能需求來設計網絡結構，從而提供高效的模型設計和計算資源利用。

通過以上3 種經典網絡模型的消融實驗，定量分析LKA模塊的泛用性。

表5 為同一層數時層間重復次數的消融實驗，層間重復次數的比較以原始基干網絡為中間節點：上限為盡量保持前4 層網絡架構，修改后兩層；下限為盡量保持后兩層網絡架構，在確定上下限及圖像復制-粘貼篡改檢測任務的前提條件下，利用折半查找最終得到最優的基干網絡通道數量。

表5 同一層數時不同層間重復次數的精度對比Tab.5 Comparison of accuracy of different repetitions between layers under same number of layers

表6 為基干網絡通道數與原始網絡通道數之比與精度的關系。

表6 基干網絡不同通道數量的精度對比Tab.6 Accuracy comparison of different channel numbers in backbone network

實驗結果表明，LKA 模塊擴充了網絡的深度，不僅提高了算法的精度，并且提升了后續多尺度特征金字塔的定位性能，在實現網絡高檢測精度性能的同時極大降低了模型的理論計算量。

4.2.2 抗攻擊實驗及分析

為衡量網絡的魯棒性，使用Dataset［26］和MICC-F2000［27］數據集，共140 張圖片，其中70 張為篡改圖片，進行如下抗攻擊實驗。

1）圖像中的復制的片段以5°、30°、60°、90°、180°的旋轉角度旋轉。

2）圖像附加［2%，10%］的高斯噪聲，幅度為2%。

3）圖像按［20%，100%］的JPEG 壓縮系數進行壓縮，幅度為20%。

4）模糊攻擊，高斯模糊核大小依次為3、5、7、9、11。

5）圖像的復制的片段按50%、75%、120%、160%、200%的縮放系數進行縮放。

將本文算法與使用深度學習的相關算法進行對比，結果如圖6 所示。對比算法如下：

圖6 抗攻擊性能比較Fig.6 Comparison of anti-attack performance

1）EfficientNetV2［6］：通過使用復合縮放技術和改進的網絡結構，實現了更好的性能和計算效率。

2）BusterNet［13］：端到端的篡改檢測網絡，采用雙分支結構，通過比較圖像相似度來識別源區域和目標區域。

3）文獻［14］算法：通過引入兩個串行構建的子網絡：拷貝移動相似性檢測網絡（CMSDNet）和源/目標區域區分網絡（STRDNet），以改進BusterNet 存在的問題。

4）Dense-InceptionNet［18］：作為一種輕量化圖像篡改復制-粘貼篡改檢測方案，利用多尺度信息和圖像所蘊含的稠密特征，結合特征相關匹配算法和后處理步驟實現精準定位與檢測。

5）文獻［35］算法：通過全分辨率信息從整個圖像中進行決策，并通過弱監督學習與端到端訓練實現參數的聯合優化，從而賦予模型優異的表達能力。

從圖6 可以看出，本文算法總體上在5 類攻擊中取得較優結果，表現更穩定，通過原始EfficientNetV2 與改進后的網絡對比能夠發現，LKA 模塊的引入使得網絡抵抗攻擊的能力明顯增強。

4.2.3 對比實驗

不同算法的性能對比如表7 所示?？梢钥闯觯疚乃惴ê虳ense-InceptionNet 算法［18］相比，在浮點運算量減小29.54%的基礎上，F1 提高了4.88%。

表7 不同算法的性能對比結果Tab.7 Performance comparison results of different algorithms

4.2.4 篡改檢測實驗及分析

為了檢測LKA-EfficientNet 算法的篡改檢測的能力，本文 在Dataset［26］、MICC-F2000［27］、COVERAGE［28］、MICCF600［29］這4 個數據集上進行泛化測試，不同算法的F1 如表8所示。通過4 個測試數據集中相關實驗結果說明本文算法具有良好的泛化性。

表8 不同算法在4個數據集上的F1結果對比Tab.8 Comparison of F1 results of different algorithms on four datasets

圖7 為本文提出的LKA-EfficientNet 算法的篡改檢測定位效果圖，白色表示源、目標區域，深色代表檢測區域?？梢钥闯?，本文算法能很好地利用多尺度信息，從而實現源區域與目標區域的定位。

圖7 本文算法的篡改檢測定位效果Fig.7 Effect of tamper detection and localization of the proposed algorithm

5 結語

本文設計了一種結合多尺度特征金字塔和深度學習優點、融合大核注意力卷積的輕量化圖像篡改定位算法LKAEfficientNet，利用深度學習實現端到端的圖像篡改檢測。首先利用大核注意力卷積塊獲取全局感受野，再利用基干網絡進行特征提?。蝗缓笸ㄟ^金字塔特征提取器提取三層特征，通過匹配獲取可能的目標區域；最后，LKA-EfficientNet 利用三個候選匹配圖獲得交叉熵的組合，通過反向傳播進行更具細粒度的訓練。實驗結果表明，LKA-EfficientNet 優于對比算法，在保持高檢測性能的同時降低了計算量。