論文の概要: SPN-CNN: Boosting Sensor-Based Source Camera Attribution With Deep
Learning
- arxiv url: http://arxiv.org/abs/2002.02927v1
- Date: Fri, 7 Feb 2020 17:55:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 05:11:48.565717
- Title: SPN-CNN: Boosting Sensor-Based Source Camera Attribution With Deep
Learning
- Title(参考訳): SPN-CNN:ディープラーニングによるセンサベースソースカメラの属性向上
- Authors: Matthias Kirchner and Cameron Johnson
- Abstract要約: データ駆動型フレームワークにおけるセンサノイズに基づく音源の識別を高速化する手法を探究する。
我々の焦点は、テスト時に単一の画像からセンサパターンノイズ(SPN)抽出を改善することである。
深層学習アプローチは、ソース属性の改善につながるより適切な抽出器を提供することができる。
- 参考スコア(独自算出の注目度): 1.370633147306388
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We explore means to advance source camera identification based on sensor
noise in a data-driven framework. Our focus is on improving the sensor pattern
noise (SPN) extraction from a single image at test time. Where existing works
suppress nuisance content with denoising filters that are largely agnostic to
the specific SPN signal of interest, we demonstrate that a~deep learning
approach can yield a more suitable extractor that leads to improved source
attribution. A series of extensive experiments on various public datasets
confirms the feasibility of our approach and its applicability to image
manipulation localization and video source attribution. A critical discussion
of potential pitfalls completes the text.
- Abstract(参考訳): データ駆動型フレームワークにおけるセンサノイズに基づく音源カメラ識別の高速化手法を探究する。
我々の焦点は、テスト時に単一の画像からセンサパターンノイズ(SPN)抽出を改善することである。
既存の作業が特定のspn信号にほとんど依存しないノイズ除去フィルタによって迷惑コンテンツを抑制する場合,~deep learningアプローチは,ソース帰属を改善するための,より適切な抽出器を生成できることを実証する。
様々な公開データセットに関する広範な実験により、我々のアプローチの有効性と、画像操作のローカライゼーションとビデオソース属性への適用性が確認された。
潜在的な落とし穴に関する批判的な議論がこのテキストを完成させる。
関連論文リスト
- ESVAE: An Efficient Spiking Variational Autoencoder with
Reparameterizable Poisson Spiking Sampling [8.3257854205398]
可変オートエンコーダ(VAE)は、最も人気のある画像生成モデルの一つである。
現在のVAE法は、精巧な自己回帰ネットワークによって潜在空間を暗黙的に構築する。
本稿では,解釈可能な潜在空間分布を構成する効率的なスパイキング変分オートエンコーダ(ESVAE)を提案する。
論文 参考訳(メタデータ) (2023-10-23T12:01:10Z) - Unsupervised Structured Noise Removal with Variational Lossy Autoencoder [60.71146161035649]
本稿では、クリーンな画像やノイズモデルにアクセスせずにノイズを除去できる、教師なしのディープラーニングベースデノイザを提案する。
特殊設計の自己回帰デコーダを用いた変分自動エンコーダを実装した。
実験により,本手法は既存の自己監督型・非教師型画像復調法を超越していることが示された。
論文 参考訳(メタデータ) (2023-10-11T20:48:20Z) - High Perceptual Quality Wireless Image Delivery with Denoising Diffusion
Models [10.763194436114194]
深層学習を用いたジョイントソースチャネル符号化(DeepJSCC)によるノイズの多い無線チャネル上の画像伝送問題について検討する。
対象画像のレンジ・ヌル空間分解を利用した新しい手法を提案する。
再建画像の歪みと知覚的品質は,標準的なDeepJSCCや最先端の生成学習法と比較して有意に向上した。
論文 参考訳(メタデータ) (2023-09-27T16:30:59Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳(メタデータ) (2023-08-24T12:32:46Z) - Self-supervised Image Denoising with Downsampled Invariance Loss and
Conditional Blind-Spot Network [12.478287906337194]
ほとんどの代表的自己監督型デノイザーは盲点ネットワークに基づいている。
標準的な盲点ネットワークは、ノイズの画素ワイド相関により、実際のカメラノイズを低減できない。
実雑音を除去できる新しい自己教師型トレーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-19T08:55:27Z) - Deep Convolutional Pooling Transformer for Deepfake Detection [54.10864860009834]
本研究では,局所的・グローバル的に決定的な画像特徴を取り入れた深部畳み込み変換器を提案する。
具体的には,抽出した特徴を充実させ,有効性を高めるために,畳み込みプーリングと再アテンションを適用した。
提案手法は、内部実験と相互データセット実験の両方において、最先端のベースラインを一貫して上回る。
論文 参考訳(メタデータ) (2022-09-12T15:05:41Z) - Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。
事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。
識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
論文 参考訳(メタデータ) (2022-07-19T14:35:42Z) - Learning to Censor by Noisy Sampling [17.06138741660826]
この作業は、ポイントクラウドから学ぶ際の機密情報を保護する。
我々は、属性漏洩攻撃を軽減しつつ、認識タスクのためのユーティリティの保存に重点を置いている。
重要なモチベーションは、ポイントクラウド上の知覚タスクの局所的な正当性を活用して、優れたプライバシユーティリティトレードオフを提供することである。
論文 参考訳(メタデータ) (2022-03-23T04:50:50Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳(メタデータ) (2020-11-17T12:52:18Z) - ADRN: Attention-based Deep Residual Network for Hyperspectral Image
Denoising [52.01041506447195]
ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。
実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2020-03-04T08:36:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。