論文の概要: Generalized Zero and Few-Shot Transfer for Facial Forgery Detection
- arxiv url: http://arxiv.org/abs/2006.11863v1
- Date: Sun, 21 Jun 2020 18:10:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 12:05:40.430764
- Title: Generalized Zero and Few-Shot Transfer for Facial Forgery Detection
- Title（参考訳）: 顔面フォージェリー検出のための一般化ゼロとFew-Shot転送
- Authors: Shivangi Aneja and Matthias Nie{\ss}ner
- Abstract要約: フォージェリ検出の文脈でゼロおよび少数ショット転送の問題に対処する新しいトランスファー学習手法を提案する。
従来の分類や最先端のドメイン適応/ファウショット学習手法と比較して,この学習戦略は驚くほど効果的である。
- 参考スコア（独自算出の注目度）: 3.8073142980733
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose Deep Distribution Transfer(DDT), a new transfer learning approach
to address the problem of zero and few-shot transfer in the context of facial
forgery detection. We examine how well a model (pre-)trained with one forgery
creation method generalizes towards a previously unseen manipulation technique
or different dataset. To facilitate this transfer, we introduce a new mixture
model-based loss formulation that learns a multi-modal distribution, with modes
corresponding to class categories of the underlying data of the source forgery
method. Our core idea is to first pre-train an encoder neural network, which
maps each mode of this distribution to the respective class labels, i.e., real
or fake images in the source domain by minimizing wasserstein distance between
them. In order to transfer this model to a new domain, we associate a few
target samples with one of the previously trained modes. In addition, we
propose a spatial mixup augmentation strategy that further helps generalization
across domains. We find this learning strategy to be surprisingly effective at
domain transfer compared to a traditional classification or even
state-of-the-art domain adaptation/few-shot learning methods. For instance,
compared to the best baseline, our method improves the classification accuracy
by 4.88% for zero-shot and by 8.38% for the few-shot case transferred from the
FaceForensics++ to Dessa dataset.
- Abstract（参考訳）: 本稿では,顔偽造検出の文脈におけるゼロおよび少数ショット転送の問題に対処する新しい伝達学習手法であるDeep Distribution Transfer (DDT)を提案する。
我々は,あるフォージェリ生成法で訓練されたモデルが,これまで見つからなかった操作手法や異なるデータセットに対して,いかに一般化するかを検討する。
この転送を容易にするために,ソースフォーガリー法の下位データのクラスカテゴリに対応するモードを用いて,マルチモーダル分布を学習する混合モデルに基づく損失定式化を提案する。
私たちの中核となる考え方は、まずエンコーダニューラルネットワークを事前訓練することであり、この分布の各モードを各クラスラベル、すなわちソースドメイン内の実または偽の画像にマッピングする。
このモデルを新しいドメインに転送するために、いくつかのターゲットサンプルと以前にトレーニングされたモードの1つを関連付ける。
さらに,領域間の一般化をさらに支援する空間ミックスアップ拡張戦略を提案する。
この学習戦略は従来の分類法や最先端のドメイン適応/ファウショット学習法と比較して驚くほど効果的である。
例えば、最良のベースラインと比較して、ゼロショットでは4.88%、faceforensics++からdessaデータセットに転送される数少ないケースでは8.38%の精度で分類精度を向上させる。
関連論文リスト
- Activate and Reject: Towards Safe Domain Generalization under Category
Shift [71.95548187205736]
カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。
未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。
従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
論文 参考訳（メタデータ） (2023-10-07T07:53:12Z) - Multivariate Prototype Representation for Domain-Generalized Incremental
Learning [35.83706574551515]
我々は、古いクラスを記憶し、新しいクラスに適応し、見えないドメインから確実にオブジェクトを分類できるDGCILアプローチを設計する。
我々の損失定式化は、分類境界を維持し、各クラスのドメイン固有情報を抑圧する。
論文 参考訳（メタデータ） (2023-09-24T06:42:04Z) - DC4L: Distribution Shift Recovery via Data-Driven Control for Deep Learning Models [4.374569172244273]
学習したモデルに対する制御を用いて、オンライン配信のシフトから回復することを提案する。
提案手法では, 学習セットにシフトしたデータを近づけるために, セマンティック保存変換のシーケンスを適用した。
本稿では,ImageNet-Cベンチマークからのシフトの合成に一般化し,平均精度を最大9.81%向上することを示す。
論文 参考訳（メタデータ） (2023-02-20T22:06:26Z) - Adapting the Mean Teacher for keypoint-based lung registration under
geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。
本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。
本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文 参考訳（メタデータ） (2022-07-01T12:16:42Z) - Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs
For Medical Image Classification [5.6512908295414]
本稿では,グラフニューラルネットワークを用いた教師なし領域適応手法を提案する。
分布シフトを伴う2つの挑戦的医用画像データセットの分類法について検討した。
実験により,本手法は他の領域適応法と比較して最先端の結果が得られることが示された。
論文 参考訳（メタデータ） (2022-06-27T09:02:16Z) - Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。
近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。
本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
論文 参考訳（メタデータ） (2022-04-24T12:22:19Z) - Deep learning based domain adaptation for mitochondria segmentation on
EM volumes [5.682594415267948]
対象領域におけるミトコンドリアセグメンテーションを改善するための3つの非教師なし領域適応戦略を提案する。
そこで本研究では,ソースドメイン内でのみ得られる形態的事前条件に基づいて,新たな学習停止基準を提案する。
評価ラベルがない場合、提案した形態素に基づく計量をモニタリングすることは、トレーニングプロセスを止めて平均最適モデルを選択するための直感的で効果的な方法である。
論文 参考訳（メタデータ） (2022-02-22T09:49:25Z) - Head2Toe: Utilizing Intermediate Representations for Better Transfer
Learning [31.171051511744636]
転送学習手法は、データリッチソースドメイン上で事前訓練されたモデルを用いて、データスカースターゲットドメインのパフォーマンスを向上させることを目的としている。
本稿では,ソースモデルのすべての層から特徴を抽出し,対象領域の分類ヘッドを訓練する手法であるHead2Toeを提案する。
論文 参考訳（メタデータ） (2022-01-10T18:40:07Z) - Ranking Distance Calibration for Cross-Domain Few-Shot Learning [91.22458739205766]
数ショット学習の最近の進歩は、より現実的なクロスドメイン設定を促進する。
ドメインギャップとソースとターゲットデータセット間のラベル空間の相違により、共有される知識は極めて限られている。
我々は,タスク内の相互k-アネレスト近傍を発見することで,目標距離行列の校正を行う。
論文 参考訳（メタデータ） (2021-12-01T03:36:58Z) - Adversarially-Trained Deep Nets Transfer Better: Illustration on Image
Classification [53.735029033681435]
トランスファーラーニングは、訓練済みのディープニューラルネットワークを画像認識タスクに新しいドメインに適用するための強力な方法論である。
本研究では,非逆学習モデルよりも逆学習モデルの方が優れていることを示す。
論文 参考訳（メタデータ） (2020-07-11T22:48:42Z) - Embedding Propagation: Smoother Manifold for Few-Shot Classification [131.81692677836202]
本稿では, 組込み伝搬を非教師なし非パラメトリック正規化器として, 数ショット分類における多様体平滑化に用いることを提案する。
埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。
複数の半教師付き学習シナリオにおいて,埋め込み伝搬によりモデルの精度が最大16%向上することを示す。
論文 参考訳（メタデータ） (2020-03-09T13:51:09Z)
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。