論文の概要: Two-Stage Copy-Move Forgery Detection with Self Deep Matching and Proposal SuperGlue

• arxiv url: http://arxiv.org/abs/2012.08697v1
• Date: Wed, 16 Dec 2020 02:05:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-03 02:59:06.758438
• Title: Two-Stage Copy-Move Forgery Detection with Self Deep Matching and Proposal SuperGlue
• Title（参考訳）: セルフディープマッチングによる2段階コピーモーブ偽造検出と提案スーパーグルー
• Authors: Yaqi Liu and Chao Xia and Xiaobin Zhu and Shengwei Xu
• Abstract要約: コピーモーブ偽造検出は、同一画像中のペースト領域とソース領域を検出して、改ざん画像を特定する。 本稿では,コピーモーブ偽造検出のための新しい二段階フレームワークを提案する。 提案SuperGlueは、偽武装領域を削除し、不完全な領域を修復するために提案される。
• 参考スコア（独自算出の注目度）: 9.676233763589618
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Copy-move forgery detection identifies a tampered image by detecting pasted and source regions in the same image. In this paper, we propose a novel two-stage framework specially for copy-move forgery detection. The first stage is a backbone self deep matching network, and the second stage is named as Proposal SuperGlue. In the first stage, atrous convolution and skip matching are incorporated to enrich spatial information and leverage hierarchical features. Spatial attention is built on self-correlation to reinforce the ability to find appearance similar regions. In the second stage, Proposal SuperGlue is proposed to remove false-alarmed regions and remedy incomplete regions. Specifically, a proposal selection strategy is designed to enclose highly suspected regions based on proposal generation and backbone score maps. Then, pairwise matching is conducted among candidate proposals by deep learning based keypoint extraction and matching, i.e., SuperPoint and SuperGlue. Integrated score map generation and refinement methods are designed to integrate results of both stages and obtain optimized results. Our two-stage framework unifies end-to-end deep matching and keypoint matching by obtaining highly suspected proposals, and opens a new gate for deep learning research in copy-move forgery detection. Experiments on publicly available datasets demonstrate the effectiveness of our two-stage framework.
• Abstract（参考訳）: コピーモーブ偽造検出は、同一画像中のペースト領域とソース領域を検出して改ざん画像を特定する。 本稿では,コピーモーブ偽造検出のための新しい二段階フレームワークを提案する。 第1ステージはバックボーンのセルフディープマッチングネットワークで、第2ステージはプロポーザル・スーパーグルーと名付けられている。 第1段階では、アトラス畳み込みとスキップマッチングが組み込まれ、空間情報を豊かにし、階層的特徴を活用する。 空間的注意は自己相関に基づいて構築され、外観に類似した領域を見つける能力を強化する。 第2段階では、偽アラーム領域を除去し、不完全領域を修復する提案が提案されている。 特に提案選択戦略は,提案生成とバックボーンスコアマップに基づいて,高度に疑わしい領域を囲むように設計されている。 次に、深層学習に基づくキーポイント抽出とマッチング、すなわちSuperPointとSuperGlueによって、候補提案の間でペアワイズマッチングを行う。 統合スコアマップ生成および改良手法は、両方のステージの結果を統合し、最適化された結果を得るように設計されている。 この二段階フレームワークは,疑わしい提案を得ることにより,エンドツーエンドのディープマッチングとキーポイントマッチングを統一し,コピーモブ偽造検出におけるディープラーニング研究のための新たなゲートを開く。 公開データセットの実験では、2段階フレームワークの有効性が示されています。

関連論文リスト

• Detect Any Deepfakes: Segment Anything Meets Face Forgery Detection and Localization [30.317619885984005]
  本稿では,視覚的セグメンテーション基盤モデル,すなわちセグメンテーションモデル(SAM)をフォージェリ検出とローカライゼーションの対面に導入する。 SAMに基づいて,Multiscale Adapterを用いたDADFフレームワークを提案する。 提案するフレームワークは、エンドツーエンドのフォージェリーローカライゼーションと検出最適化をシームレスに統合する。
  論文  参考訳（メタデータ） (2023-06-29T16:25:04Z)
• GDB: Gated convolutions-based Document Binarization [0.0]
  我々は、ゲーティング値の学習としてテキスト抽出を定式化し、不正確なストロークエッジ抽出の問題を解決するために、エンドツーエンドのゲート畳み込みネットワーク(GDB)を提案する。 提案するフレームワークは,2つの段階から構成される。第1に,事前マスクとエッジを供給して,より正確な特徴マップを得るために,エッジブランチを付加した粗いサブネットワークを訓練する。 第2に、シャープエッジに基づくゲート畳み込みにより第1ステージの出力を洗練させるために、精製サブネットワークをカスケードする。
  論文  参考訳（メタデータ） (2023-02-04T02:56:40Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• Progressively Dual Prior Guided Few-shot Semantic Segmentation [57.37506990980975]
  Few-shotのセマンティックセマンティックセマンティクスタスクは、いくつかのアノテーション付きサポートサンプルを使用して、クエリイメージのセマンティクスを実行することを目的としている。 本稿では,先進的に2重にガイドされた数発のセマンティックセマンティックセグメンテーションネットワークを提案する。
  論文  参考訳（メタデータ） (2022-11-20T16:19:47Z)
• Progressive End-to-End Object Detection in Crowded Scenes [96.92416613336096]
  以前のクエリベースの検出器は2つの欠点に悩まされていた: まず、複数の予測が1つのオブジェクトに対して推論される。 具体的には、まず受理されたクエリを選択して正の予測を生成し、その後、受理された予測に従って残雑音のあるクエリを精査する。 提案手法は,混み合ったシーンにおける問合せ型検出器の性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-03-15T06:12:00Z)
• Copy-Move Image Forgery Detection Based on Evolving Circular Domains Coverage [5.716030416222748]
  提案手法はブロックベースとキーポイントベースの両方の偽造検出手法を統合する。 実験結果から, CMFD方式により, 種々の攻撃による検出性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2021-09-09T16:08:03Z)
• CNN-based Two-Stage Parking Slot Detection Using Region-Specific Multi-Scale Feature Extraction [7.652701739127332]
  パーキングスロット検出性能はディープラーニング技術により劇的に改善されている。 深層学習に基づく物体検出法は,一段階と二段階に分類できる。 本稿では,地域特化マルチスケール特徴抽出を用いた高度に特殊な2段駐車スロット検出器を提案する。
  論文  参考訳（メタデータ） (2021-08-13T12:02:02Z)
• Attention-based Domain Adaptation for Single Stage Detectors [75.88557558238841]
  適応が焦点を置くべき重要な領域を特定するための注意機構を導入する。 我々のアプローチは汎用的で、任意の単段検出器に統合できる。 等価な単一ステージアーキテクチャでは、この手法は最先端のドメイン適応技術より優れている。
  論文  参考訳（メタデータ） (2021-06-14T10:30:44Z)
• Boundary-Aware 3D Object Detection from Point Clouds [14.772968858398043]
  点雲からの3次元物体検出のためのBANetを提案する。 各提案を所定のカットオフしきい値内でグラフ構築のためのノードとして表現する。 私達のBANetはKITTIの3D検出のリーダーボードの性能で達成します。
  論文  参考訳（メタデータ） (2021-04-21T03:10:33Z)
• Complementary Boundary Generator with Scale-Invariant Relation Modeling for Temporal Action Localization: Submission to ActivityNet Challenge 2020 [66.4527310659592]
  本報告では,ActivityNet Challenge 2020 Task 1への提出時に使用したソリューションの概要を紹介する。 時間的行動ローカライゼーションタスクを2段階(すなわち提案生成と分類)に分離し,提案の多様性を高める。 提案手法は,課題テストセット上での平均mAPを用いて,時間的動作の局所化タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-07-20T04:35:40Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。