論文の概要: The 2021 Image Similarity Dataset and Challenge
- arxiv url: http://arxiv.org/abs/2106.09672v1
- Date: Thu, 17 Jun 2021 17:23:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-18 15:48:22.921088
- Title: The 2021 Image Similarity Dataset and Challenge
- Title(参考訳): 2021 画像類似性データセットと課題
- Authors: Matthijs Douze and Giorgos Tolias and Ed Pizzi and Zo\"e Papakipos and
Lowik Chanussot and Filip Radenovic and Tomas Jenicek and Maxim Maximov and
Laura Leal-Taix\'e and Ismail Elezi and Ond\v{r}ej Chum and Cristian Canton
Ferrer
- Abstract要約: 本稿では,大規模画像類似度検出のための新しいベンチマークを提案する。
目標は、クエリイメージが、サイズ100万の参照コーパス内の任意のイメージの修正コピーであるかどうかを決定することである。
- 参考スコア(独自算出の注目度): 32.202821997745716
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces a new benchmark for large-scale image similarity
detection. This benchmark is used for the Image Similarity Challenge at
NeurIPS'21 (ISC2021). The goal is to determine whether a query image is a
modified copy of any image in a reference corpus of size 1~million. The
benchmark features a variety of image transformations such as automated
transformations, hand-crafted image edits and machine-learning based
manipulations. This mimics real-life cases appearing in social media, for
example for integrity-related problems dealing with misinformation and
objectionable content. The strength of the image manipulations, and therefore
the difficulty of the benchmark, is calibrated according to the performance of
a set of baseline approaches. Both the query and reference set contain a
majority of ``distractor'' images that do not match, which corresponds to a
real-life needle-in-haystack setting, and the evaluation metric reflects that.
We expect the DISC21 benchmark to promote image copy detection as an important
and challenging computer vision task and refresh the state of the art.
- Abstract(参考訳): 本稿では,大規模画像類似度検出のための新しいベンチマークを提案する。
このベンチマークは、NeurIPS'21 (ISC2021)のイメージ類似性チャレンジに使用される。
目標は、クエリイメージが、サイズが1~数百万の参照コーパス内の任意のイメージの修正コピーであるかどうかを判断することである。
ベンチマークでは、自動変換、手作り画像編集、機械学習ベースの操作など、さまざまなイメージ変換が特徴である。
これは、例えば不適切な情報や不快なコンテンツを扱う完全性に関連する問題など、ソーシャルメディアに現れる現実のケースを模倣する。
画像操作の強みとベンチマークの難しさは、一連のベースラインアプローチの性能に応じて調整される。
クエリセットと参照セットには、マッチしない`distractor'イメージの大部分が含まれており、実際のニードル・イン・ヘイスタック設定に対応しており、評価指標はそれを反映している。
DISC21ベンチマークは、画像のコピー検出を重要かつ挑戦的なコンピュータビジョンタスクとして促進し、技術状況のリフレッシュを期待する。
関連論文リスト
- Breaking the Frame: Image Retrieval by Visual Overlap Prediction [53.17564423756082]
本稿では,隠蔽や複雑なシーンを効果的に扱う新しい視覚的位置認識手法,VOPを提案する。
提案手法は,高コストな特徴検出とマッチングを必要とせず,可視画像区間の識別を可能にする。
論文 参考訳(メタデータ) (2024-06-23T20:00:20Z) - Interpretable Measures of Conceptual Similarity by
Complexity-Constrained Descriptive Auto-Encoding [112.0878081944858]
画像間の類似度を定量化することは、画像ベースの機械学習にとって重要な著作権問題である。
我々は,高次関係を捉えた画像間での「概念的類似性」の概念を定義し,計算することを目指している。
2つの非常に異種な画像は、その記述の早い段階で識別できるが、概念的に異種な画像は、より詳細を区別する必要がある。
論文 参考訳(メタデータ) (2024-02-14T03:31:17Z) - Active Image Indexing [26.33727468288776]
本稿では,能動インデックス化による画像コピー検出のロバスト性の向上について述べる。
我々は、画像が解放される前に、画像に知覚不可能な変化を加えることにより、所定の画像表現の量子化損失を低減する。
実験により, アクティベート画像の検索とコピー検出が大幅に改善された。
論文 参考訳(メタデータ) (2022-10-05T17:55:15Z) - SImProv: Scalable Image Provenance Framework for Robust Content
Attribution [80.25476792081403]
我々は、クエリ画像を元の信頼できるデータベースにマッチングするフレームワークであるSImProvを提示する。
SimProvは3つのステージで構成されている。トップkの最も類似した画像を検索するためのスケーラブルな検索ステージと、候補の中からオリジナルを識別するための再ランク付けとほぼ重複した検出ステージである。
1億画像のデータセット上での効率的な検索と操作の検出を実証する。
論文 参考訳(メタデータ) (2022-06-28T18:42:36Z) - A Benchmark and Asymmetrical-Similarity Learning for Practical Image
Copy Detection [30.358206867280426]
画像コピー検出(ICD)は、クエリ画像が参照セットからの任意の画像の編集されたコピーであるかどうかを判定することを目的としている。
一部のクエリは編集されたコピーではなく、本質的には参照画像と似ている。
この特徴を特徴付ける最初のICDベンチマークを構築した。
論文 参考訳(メタデータ) (2022-05-24T20:39:11Z) - Results and findings of the 2021 Image Similarity Challenge [43.79331237080075]
2021年のイメージ類似性チャレンジでは、最新の画像コピー検出方法を評価するための新しいベンチマークとしてデータセットが導入された。
本稿では,トップ・サブミッションの定量的,定性的な分析について述べる。
論文 参考訳(メタデータ) (2022-02-08T17:23:32Z) - Compact Binary Fingerprint for Image Copy Re-Ranking [0.0]
画像コピー検出はコンピュータビジョンと信号処理において困難で魅力的なトピックである。
SIFTなどのローカルキーポイントディスクリプタを使用して画像を表現する。
特徴量を定量化し、精度の低下を犠牲にして、大規模データベースに対して探索・マッチングを可能にする。
論文 参考訳(メタデータ) (2021-09-16T08:44:56Z) - Enjoy Your Editing: Controllable GANs for Image Editing via Latent Space
Navigation [136.53288628437355]
コントロール可能なセマンティックイメージ編集により、ユーザーはクリック数回で画像属性全体を変更できる。
現在のアプローチでは、絡み合った属性編集、グローバルなイメージアイデンティティの変更、フォトリアリズムの低下に悩まされることが多い。
本稿では,主に定性評価に焦点を当てた先行研究とは異なり,制御可能な編集性能を測定するための定量的評価手法を提案する。
論文 参考訳(メタデータ) (2021-02-01T21:38:36Z) - Towards Unsupervised Deep Image Enhancement with Generative Adversarial
Network [92.01145655155374]
監視されていない画像強調生成ネットワーク(UEGAN)を提案する。
教師なしの方法で所望の特性を持つ画像の集合から、対応する画像と画像のマッピングを学習する。
その結果,提案モデルは画像の美的品質を効果的に向上することがわかった。
論文 参考訳(メタデータ) (2020-12-30T03:22:46Z) - Learning Transformation-Aware Embeddings for Image Forensics [15.484408315588569]
Image Provenance Analysisは、コンテンツを共有するさまざまな操作されたイメージバージョン間の関係を見つけることを目的としている。
証明分析のための主要なサブプロブレムの1つは、完全なコンテンツを共有したり、ほぼ重複している画像の編集順序である。
本稿では,1つの画像から生成した画像に対して,変換を通じて妥当な順序付けを行うための,新しい深層学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2020-01-13T22:01:24Z)
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。