brightendavid's blog

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 ： 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 ： 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 ： 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 ： 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 ： 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 ...

原创 ： TERA: Screen-to-Camera Image Code with Transparency, Efficiency, Robustness and Adaptability论文阅读 TERA: Screen-to-Camera Image Code with Transparency, Efficiency, Robustness and Adaptability论文阅读 作者单位中科院 文章仅供自学 研究主题 可以应对 Screen-to-Camera的水印，且满足四个要求：高透明度，高嵌入效率，传输鲁棒性强，对设备类型的适应性强 这四个指标作为重点。这篇文章的主要归类为时域水印，高透明度水印。 核心思路 人眼视觉和机器视觉存在偏差，主要在于人眼的视觉残留现象，会将screen中刷新率大于60Hz的连续图像进行融合。 消息编码法 消息编码实际上没有一个定论，说哪一种表现形式更好。重复编码块，实现鲁棒性，防止消息受到不可复原的破坏。就是l长度的消息+CRC校验码，最后补0到a*a长度。只要最终的消息M1,M2,M3,M4完整， ...

原创 ： TTL隐写 TTL隐写 12345678910111213141516171819202122232425262728293031#拿到一个长成这样的文件，里面是意义不明的数字636363255636363255636363255636363255636363255636363255631276325563 转换为2进制，并设置为8位数的2进制，就会有很神奇的事情发生 12345678with open('C:/Users/brighten/Desktop/attachment.txt', 'r') as f: for line in f: num=int(line) ss=bin(num) while len(ss)<10: ss=ss[:2]+'0'+ss[2:] print(ss) 可能和上面的对不上，但是意思是这个意思。 后面的6位数是一样的，全是111111 123456789101112131 ...

原创 ： ZIP伪加密判定方法 ZIP伪加密判定方法 转自 https://blog.csdn.net/qq_26187985/article/details/83654197

原创 ： UnseenCode: Invisible On-screen Barcode with Image-based Extraction论文阅读 UnseenCode: Invisible On-screen Barcode with Image-based Extraction论文阅读 突然觉得这些做screen水印的人路子很野 总体思路 这篇文章是2019年IEEE上发表的文章，使用的是时域水印，完全的图像处理方法，没有设计网络。之后的2021年的文章TERA: Screen-to-Camera Image Code with Transparency, Efficiency, Robustness and Adaptability相当于给它做了优化。 该水印的不可见思路还是通用的时域水印思路，人眼视觉的融合措施，如上图1所示。叫做Grassmann’s law of color matching。 flicker fusion effect：当光强度波动足够快时，人的眼睛只感知平均强度，而不是闪烁。 水印嵌入 先将cover转 ...