在图像复制-粘贴伪造检测领域，精确地定位被篡改的小目标的边界充满挑战性。当前基于深度学习的方法通过检测图像中的相似内容来定位伪造区域，然而它们通常只是把编码器最终提取的特征传递给解码器来生成掩码，忽略了高分辨率的编码特征所包含的更多的伪造区域的空间信息，这会导致模型输出的预测结果对于小目标的边界识别不精确。针对这个问题，提出一种基于多尺度特征提取与融合的检测网络SimiNet。首先，使用多尺度特征提取模块提取丰富的特征；其次，在特征提取模块与解码模块之间添加跳跃连接以弥补编码特征与解码特征之间的差异，从而精确地识别小目标的边界；最后，用Log-Cosh Dice Loss函数替代交叉熵损失，以降低类别不平衡问题对检测结果的影响。实验结果表明，SimiNet在USCISI数据集上的F1分数达到72.54%，比次优方法CMSDNet（Copy-Move Similarity Detection Network）提升了3.39个百分点。可见，SimiNet对小目标的边界识别更精确，可视化效果更好。
