論文の概要: SeeTheSeams: Localized Detection of Seam Carving based Image Forgery in Satellite Imagery

• arxiv url: http://arxiv.org/abs/2108.12534v1
• Date: Sat, 28 Aug 2021 00:00:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-01 09:06:44.847572
• Title: SeeTheSeams: Localized Detection of Seam Carving based Image Forgery in Satellite Imagery
• Title（参考訳）: SeeTheSeams:衛星画像におけるシーム彫刻画像の局所的検出
• Authors: Chandrakanth Gudavalli, Erik Rosten, Lakshmanan Nataraj, Shivkumar Chandrasekaran, B. S. Manjunath
• Abstract要約: シーム彫刻は、コンテンツ認識画像操作の一般的なテクニックである。 本稿では,このような画像中のシームの検出と位置決定のための新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 15.127101376238418
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Seam carving is a popular technique for content aware image retargeting. It can be used to deliberately manipulate images, for example, change the GPS locations of a building or insert/remove roads in a satellite image. This paper proposes a novel approach for detecting and localizing seams in such images. While there are methods to detect seam carving based manipulations, this is the first time that robust localization and detection of seam carving forgery is made possible. We also propose a seam localization score (SLS) metric to evaluate the effectiveness of localization. The proposed method is evaluated extensively on a large collection of images from different sources, demonstrating a high level of detection and localization performance across these datasets. The datasets curated during this work will be released to the public.
• Abstract（参考訳）: シーム彫刻はコンテンツ認識画像再ターゲティングの一般的な手法である。 例えば、建物のGPS位置を変更したり、衛星画像に道路を挿入/削除するなど、意図的に画像を操作できる。 本稿では,このような画像中のシームの検出と局所化のための新しい手法を提案する。 シーム彫刻に基づく操作を検出する方法は存在するが、シーム彫刻偽造のロバストなローカライズと検出が可能となるのはこれが初めてである。 また,海面局所化スコア(SLS)を用いて,海面局在化の有効性を評価する。 提案手法は,異なるソースからの大量の画像から広範囲に評価され,これらのデータセット間で高いレベルの検出とローカライズ性能を示す。 この作業中にキュレートされたデータセットは一般公開される予定だ。

関連論文リスト

• TruFor: Leveraging all-round clues for trustworthy image forgery detection and localization [17.270110456445806]
  TruForは、さまざまなイメージ操作方法に適用可能な、法医学的なフレームワークである。 変換器をベースとした融合アーキテクチャにより,高レベルのトレースと低レベルのトレースの両方を抽出する。 当社の手法は,安価なフェイクとディープフェイク操作の両方を確実に検出し,ローカライズすることができる。
  論文  参考訳（メタデータ） (2022-12-21T11:49:43Z)
• Visual Cross-View Metric Localization with Dense Uncertainty Estimates [11.76638109321532]
  本研究は、屋外ロボティクスにおける視覚的クロスビューメトリックローカライゼーションに対処する。 地上レベルのカラー画像と局地的な環境を含む衛星パッチが与えられた場合、衛星パッチ内の地上カメラの位置を特定することが課題である。 我々は、より高密度な衛星記述子、ボトルネックにおける類似性マッチング、およびマルチモーダルなローカライゼーションの曖昧さを捉えるための出力としての密度空間分布を備えた新しいネットワークアーキテクチャを考案した。
  論文  参考訳（メタデータ） (2022-08-17T20:12:23Z)
• 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)
• Accurate 3-DoF Camera Geo-Localization via Ground-to-Satellite Image Matching [102.39635336450262]
  地上で取得したクエリ画像とジオタグ付き衛星画像の大規模データベースとをマッチングすることにより、地上から衛星画像のジオローカライズの問題に対処する。 我々の新しい手法は、衛星画像のピクセルサイズの精度まで、クエリー画像のきめ細かい位置を達成できる。
  論文  参考訳（メタデータ） (2022-03-26T20:10:38Z)
• Seam Carving Detection and Localization using Two-Stage Deep Neural Networks [15.31182286085455]
  そこで本研究では,シーム彫刻画像の検出とローカライズを行う2段階の手法を提案する。 まず、縫製された画像の小さなパッチを検知する検出器を構築します。 次に、パッチ検出器の出力に基づいて、画像上のヒートマップを計算する。
  論文  参考訳（メタデータ） (2021-09-04T01:49:08Z)
• Deep Metric Learning for Ground Images [4.864819846886142]
  我々は,現在のロボットの位置決めについて事前の知識がない初期位置決めタスクに対処する。 本稿では,クエリ画像に最もよく似た参照画像を取得するディープメトリック学習手法を提案する。 地上画像の既存の画像検索手法とは対照的に,提案手法はリコール性能が大幅に向上し,最先端のテクスチャベースローカライゼーション手法のローカライズ性能が向上する。
  論文  参考訳（メタデータ） (2021-09-03T14:43:59Z)
• Content-Based Detection of Temporal Metadata Manipulation [91.34308819261905]
  画像の撮像時間とその内容と地理的位置とが一致しているかどうかを検証するためのエンドツーエンドのアプローチを提案する。 中心となる考え方は、画像の内容、キャプチャ時間、地理的位置が一致する確率を予測するための教師付き一貫性検証の利用である。 我々のアプローチは、大規模なベンチマークデータセットの以前の作業により改善され、分類精度が59.03%から81.07%に向上した。
  論文  参考訳（メタデータ） (2021-03-08T13:16:19Z)
• Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
  インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。 境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。 実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
  論文  参考訳（メタデータ） (2021-02-16T17:58:57Z)
• Self-supervised Segmentation via Background Inpainting [96.10971980098196]
  移動可能なカメラで撮影された単一の画像で、自己教師付き検出とセグメンテーションのアプローチを導入する。 我々は、提案に基づくセグメンテーションネットワークのトレーニングに利用する自己教師付き損失関数を利用する。 本手法は,標準ベンチマークから視覚的に切り離された画像の人間の検出とセグメント化に応用し,既存の自己監督手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-11T08:34:40Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)
• Automatic Signboard Detection and Localization in Densely Populated Developing Cities [0.0]
  自然シーン画像における看板検出は, エラーのない情報検索における最優先課題である。 本稿では,看板を自動的に検出し,そのような都市に適した新しい物体検出手法を提案する。 提案手法では,符号板を正確に検出できる(背景の形状や色が多様であっても平均精度は0.90 mAP)。
  論文  参考訳（メタデータ） (2020-03-04T08:04:03Z)

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。