論文の概要: Learning to identify image manipulations in scientific publications
- arxiv url: http://arxiv.org/abs/2102.01874v1
- Date: Wed, 3 Feb 2021 04:47:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 17:29:40.524168
- Title: Learning to identify image manipulations in scientific publications
- Title（参考訳）: 科学出版物における画像操作の学習
- Authors: Ghazal Mazaheri, Kevin Urrutia Avila, Amit K. Roy-Chowdhury
- Abstract要約: 本稿では,画像処理とディープラーニングを併用して,記事中の画像を重複あるいは重複しないものとして分類するフレームワークを提案する。
提案手法により, 重複画像の検出精度が90%向上し, 検出精度が13%向上した。
- 参考スコア（独自算出の注目度）: 37.6933210164122
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adherence to scientific community standards ensures objectivity, clarity,
reproducibility, and helps prevent bias, fabrication, falsification, and
plagiarism. To help scientific integrity officers and journal/publisher
reviewers monitor if researchers stick with these standards, it is important to
have a solid procedure to detect duplication as one of the most frequent types
of manipulation in scientific papers. Images in scientific papers are used to
support the experimental description and the discussion of the findings.
Therefore, in this work we focus on detecting the duplications in images as one
of the most important parts of a scientific paper. We propose a framework that
combines image processing and deep learning methods to classify images in the
articles as duplicated or unduplicated ones. We show that our method leads to a
90% accuracy rate of detecting duplicated images, a ~ 13% improvement in
detection accuracy in comparison to other manipulation detection methods. We
also show how effective the pre-processing steps are by comparing our method to
other state-of-art manipulation detectors which lack these steps.
- Abstract（参考訳）: 科学コミュニティ標準の遵守は、客観性、明確性、再現性を確保し、バイアス、製造、偽造、盗作を防ぐのに役立つ。
科学的完全性(scientific integrity)の役員や、研究者がこれらの基準に固執するならば、学術論文における最も頻繁な操作の1つとして重複を検出するための確固たる手順を持つことが重要である。
科学論文のイメージは、実験的な記述と発見の議論を支援するために使用される。
そこで本研究では,論文の最も重要な部分のひとつとして,画像中の重複を検出することに焦点を当てた。
本稿では,画像処理と深層学習を組み合わせることで,論文中の画像を重複あるいは非重複と分類する枠組みを提案する。
本手法は重複画像の検出精度を90%向上させ,他の操作検出法と比較して検出精度が約13%向上することを示す。
また,本手法を,これらのステップを欠いた他の最先端操作検出器と比較することにより,前処理ステップがいかに効果的かを示す。
関連論文リスト
- Semantic Contextualization of Face Forgery: A New Definition, Dataset, and Detection Method [77.65459419417533]
我々は,顔フォージェリを意味的文脈に配置し,意味的顔属性を変更する計算手法が顔フォージェリの源であることを定義した。
階層的なグラフで整理されたラベルの集合に各画像が関連付けられている大規模な顔偽画像データセットを構築した。
本稿では,ラベル関係を捕捉し,その優先課題を優先するセマンティクス指向の顔偽造検出手法を提案する。
論文 参考訳（メタデータ） (2024-05-14T10:24:19Z) - Deep Image Restoration For Image Anti-Forensics [0.0]
JPEG圧縮、ぼかし、ノイズ付けは、長い間、反法医学に使われてきた。
偽画像の検出を困難にし、深部画像偽画像検出モデルのトレーニングにデータ拡張に使用される。
これらの痕跡を検出するために、別の画像鑑定法も開発されている。
本研究では, 深部画像復元モデルを用いて, さらに一歩進めて, 画質の向上を図る。
論文 参考訳（メタデータ） (2024-05-04T20:49:06Z) - Detecting Generated Images by Real Images Only [64.12501227493765]
既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。
本稿では,新たな視点から生成した画像検出問題にアプローチする。
実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
論文 参考訳（メタデータ） (2023-11-02T03:09:37Z) - MMNet: Multi-Collaboration and Multi-Supervision Network for Sequential
Deepfake Detection [81.59191603867586]
シークエンシャルディープフェイク検出は、回復のための正しいシーケンスで偽の顔領域を特定することを目的としている。
偽画像の復元には、逆変換を実装するための操作モデルの知識が必要である。
顔画像の空間スケールや逐次順列化を扱うマルチコラボレーション・マルチスーパービジョンネットワーク(MMNet)を提案する。
論文 参考訳（メタデータ） (2023-07-06T02:32:08Z) - Reading and Writing: Discriminative and Generative Modeling for
Self-Supervised Text Recognition [101.60244147302197]
テキスト画像の識別と生成を学習するために,コントラスト学習とマスク付き画像モデリングを導入する。
本手法は,不規則なシーンテキスト認識データセットにおいて,従来の自己教師付きテキスト認識手法を10.2%～20.2%向上させる。
提案したテキスト認識器は,11のベンチマークで平均5.3%の精度で従来のテキスト認識手法を上回り,モデルサイズが類似している。
論文 参考訳（メタデータ） (2022-07-01T03:50:26Z) - ObjectFormer for Image Manipulation Detection and Localization [118.89882740099137]
画像操作の検出とローカライズを行うObjectFormerを提案する。
画像の高周波特徴を抽出し,マルチモーダルパッチの埋め込みとしてRGB特徴と組み合わせる。
各種データセットについて広範な実験を行い,提案手法の有効性を検証した。
論文 参考訳（メタデータ） (2022-03-28T12:27:34Z) - Detecting and Localizing Copy-Move and Image-Splicing Forgery [0.0]
本稿では、ディープラーニングと画像変換の両方を用いて、画像が改ざんされているかどうかを検出する方法に焦点を当てる。
次に、画像の改ざん領域を特定し、対応するマスクを予測する。
結果に基づいて、偽造を検知し識別するより堅牢なフレームワークを実現するための提案とアプローチが提供される。
論文 参考訳（メタデータ） (2022-02-08T01:14:30Z) - Benchmarking Scientific Image Forgery Detectors [18.225190509954874]
本稿では,研究コミュニティが報告した最も一般的な画像偽造操作を再現する,拡張可能なオープンソースライブラリを提案する。
我々は、富裕層を有する大規模な科学的偽画像ベンチマーク(39,423画像)を作成する。
さらに,画像重複による抽出論文の多さを考慮し,提案したデータセットにおける最先端のコピー・モーブ検出手法の評価を行った。
論文 参考訳（メタデータ） (2021-05-26T22:58:20Z) - Scientific Image Tampering Detection Based On Noise Inconsistencies: A
Method And Datasets [1.2691047660244335]
本稿では,ノイズの不整合に基づく科学的画像特異的な改ざん検出手法を提案する。
本手法は,西部のブロット画像と顕微鏡画像の新たなデータセットを用いて,本手法の訓練と試験を行う。
論文 参考訳（メタデータ） (2020-01-21T22:29:56Z) - Fabricated Pictures Detection with Graph Matching [0.36832029288386137]
研究作業における実験画像の作成は、重大な学術的不正行為である。
グラフマッチング技術を用いて、類似した、あるいは、おそらく製造された画像を検出するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2020-01-16T12:29:16Z)
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。