論文の概要: Deep Convolutional Neural Network for Identifying Seam-Carving Forgery
- arxiv url: http://arxiv.org/abs/2007.02393v2
- Date: Tue, 7 Jul 2020 09:33:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 08:45:31.176805
- Title: Deep Convolutional Neural Network for Identifying Seam-Carving Forgery
- Title（参考訳）: 深層畳み込みニューラルネットワークによるseam-carving forgeryの同定
- Authors: Seung-Hun Nam, Wonhyuk Ahn, In-Jae Yu, Myung-Joon Kwon, Minseok Son,
Heung-Kyu Lee
- Abstract要約: 本稿では,畳み込み型ニューラルネットワーク(CNN)を用いたシーム彫刻に基づく画像の分類と拡大手法を提案する。
本研究は,3クラス分類(オリジナル,シーム挿入,シーム除去)における最先端性能を示す。
- 参考スコア（独自算出の注目度）: 10.324492319976798
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Seam carving is a representative content-aware image retargeting approach to
adjust the size of an image while preserving its visually prominent content. To
maintain visually important content, seam-carving algorithms first calculate
the connected path of pixels, referred to as the seam, according to a defined
cost function and then adjust the size of an image by removing and duplicating
repeatedly calculated seams. Seam carving is actively exploited to overcome
diversity in the resolution of images between applications and devices; hence,
detecting the distortion caused by seam carving has become important in image
forensics. In this paper, we propose a convolutional neural network (CNN)-based
approach to classifying seam-carving-based image retargeting for reduction and
expansion. To attain the ability to learn low-level features, we designed a CNN
architecture comprising five types of network blocks specialized for capturing
subtle signals. An ensemble module is further adopted to both enhance
performance and comprehensively analyze the features in the local areas of the
given image. To validate the effectiveness of our work, extensive experiments
based on various CNN-based baselines were conducted. Compared to the baselines,
our work exhibits state-of-the-art performance in terms of three-class
classification (original, seam inserted, and seam removed). In addition, our
model with the ensemble module is robust for various unseen cases. The
experimental results also demonstrate that our method can be applied to
localize both seam-removed and seam-inserted areas.
- Abstract（参考訳）: seam sculptureは、視覚的に目立たないコンテンツを維持しながら画像のサイズを調整するための、代表的なコンテンツ認識画像再ターゲティングアプローチである。
視覚的に重要な内容を維持するために、シーム彫刻アルゴリズムは、定義されたコスト関数に従って、最初にシームと呼ばれる画素の連結経路を算出し、繰り返し計算されたシームを除去して複製することにより画像のサイズを調整する。
シーム彫りは、アプリケーションとデバイス間の画像の解像度の多様性を克服するために積極的に活用されており、シーム彫りによる歪みの検出は画像鑑識において重要になっている。
本稿では,畳み込み型ニューラルネットワーク(CNN)を用いたシーム彫刻に基づく画像再ターゲティングの削減と拡張のための分類手法を提案する。
低レベルの特徴を学習する能力を得るために、微妙な信号を捕捉する5種類のネットワークブロックからなるCNNアーキテクチャを設計した。
アンサンブルモジュールは、性能の向上と、与えられた画像の局所領域の特徴を包括的に分析するためにさらに採用される。
本研究の有効性を検証するため, 各種CNNベースラインに基づく広範囲な実験を行った。
ベースラインと比較して,本研究は3クラス分類(オリジナル,シーム挿入,シーム除去)で最先端のパフォーマンスを示す。
さらに,アンサンブルモジュールを用いたモデルでは,様々な未確認ケースに対して堅牢である。
また, シーム除去地域とシーム挿入地域の両方のローカライズに本手法を適用した。
関連論文リスト
- Cross-Image Attention for Zero-Shot Appearance Transfer [68.43651329067393]
画像間の意味的対応を暗黙的に確立するクロスイメージアテンション機構を導入する。
ノイズの多い潜在コードを操作する3つのメカニズムと、デノナイジングプロセスを通してモデルの内部表現を利用する。
実験により,本手法は多種多様な対象カテゴリに対して有効であり,形状,大きさ,視点の変動に頑健であることが示された。
論文 参考訳（メタデータ） (2023-11-06T18:33:24Z) - Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。
我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。
皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
論文 参考訳（メタデータ） (2023-08-31T21:28:46Z) - De-coupling and De-positioning Dense Self-supervised Learning [65.56679416475943]
Dense Self-Supervised Learning (SSL)メソッドは、複数のオブジェクトでイメージを処理する際に、画像レベルの特徴表現を使用する際の制限に対処する。
本研究は, 層深度やゼロパディングに伴う受容野の増大によって生じる, 結合と位置バイアスに悩まされていることを示す。
我々はCOCOにおける本手法の利点と、オブジェクト分類、セマンティックセグメンテーション、オブジェクト検出のための新しい挑戦的ベンチマークであるOpenImage-MINIについて示す。
論文 参考訳（メタデータ） (2023-03-29T18:07:25Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Joint Learning of Deep Texture and High-Frequency Features for
Computer-Generated Image Detection [24.098604827919203]
本稿では,CG画像検出のための深いテクスチャと高周波特徴を有する共同学習戦略を提案する。
セマンティックセグメンテーションマップを生成して、アフィン変換操作を誘導する。
原画像と原画像の高周波成分の組み合わせを、注意機構を備えたマルチブランチニューラルネットワークに供給する。
論文 参考訳（メタデータ） (2022-09-07T17:30:40Z) - LEAD: Self-Supervised Landmark Estimation by Aligning Distributions of
Feature Similarity [49.84167231111667]
自己監督型ランドマーク検出における既存の研究は、画像から高密度(ピクセルレベルの)特徴表現を学習することに基づいている。
自己教師付き方式で高密度同変表現の学習を強化するアプローチを提案する。
機能抽出器にそのような先行性があることは,アノテーションの数が大幅に制限されている場合でも,ランドマーク検出に役立ちます。
論文 参考訳（メタデータ） (2022-04-06T17:48:18Z) - An End-to-End Approach for Seam Carving Detection using Deep Neural
Networks [0.0]
シーム・カービング(Seam Carving)は、画像形状ではなく、その内容に基づいて画像の縮小と拡大の両面を縮小する計算方法である。
本稿では,自動シーム彫刻検出の課題に対処するためのエンドツーエンドアプローチを提案する。
論文 参考訳（メタデータ） (2022-03-05T12:53:55Z) - Multi-Scale Feature Fusion: Learning Better Semantic Segmentation for
Road Pothole Detection [9.356003255288417]
本稿では,単一モーダルなセマンティックセグメンテーションに基づく新しいポットホール検出手法を提案する。
まず、畳み込みニューラルネットワークを用いて入力画像から視覚的特徴を抽出する。
チャネルアテンションモジュールは、異なるフィーチャーマップの一貫性を高めるために、チャネル機能を再考する。
論文 参考訳（メタデータ） (2021-12-24T15:07:47Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳（メタデータ） (2021-07-06T14:50:03Z) - Gigapixel Histopathological Image Analysis using Attention-based Neural
Networks [7.1715252990097325]
圧縮経路と学習経路からなるCNN構造を提案する。
本手法は,グローバル情報とローカル情報の両方を統合し,入力画像のサイズに関して柔軟であり,弱い画像レベルラベルのみを必要とする。
論文 参考訳（メタデータ） (2021-01-25T10:18:52Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。