Fugu-MT 論文翻訳(概要): Seam Carving Detection and Localization using Two-Stage Deep Neural Networks

論文の概要: Seam Carving Detection and Localization using Two-Stage Deep Neural Networks

arxiv url: http://arxiv.org/abs/2109.01764v1
Date: Sat, 4 Sep 2021 01:49:08 GMT
ステータス: 処理完了
システム内更新日: 2021-09-08 10:12:57.789093
Title: Seam Carving Detection and Localization using Two-Stage Deep Neural Networks
Title（参考訳）: 2段階ディープニューラルネットワークを用いたシーム彫刻検出と位置推定
Authors: Lakshmanan Nataraj, Chandrakanth Gudavalli, Tajuddin Manhar Mohammed, Shivkumar Chandrasekaran, B.S. Manjunath
Abstract要約: 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。
参考スコア（独自算出の注目度）: 15.31182286085455
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Seam carving is a method to resize an image in a content aware fashion. However, this method can also be used to carve out objects from images. In this paper, we propose a two-step method to detect and localize seam carved images. First, we build a detector to detect small patches in an image that has been seam carved. Next, we compute a heatmap on an image based on the patch detector's output. Using these heatmaps, we build another detector to detect if a whole image is seam carved or not. Our experimental results show that our approach is effective in detecting and localizing seam carved images.
Abstract（参考訳）: seam sculptureは、コンテンツを意識した方法で画像をリサイズする方法である。しかし、この方法は画像からオブジェクトを彫るのにも使うことができる。本論文では,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、シームが彫られた画像の小さなパッチを検出するための検出器を構築する。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。これらの熱マップを用いて、画像全体が刻まれているかどうかを検知する別の検出器を構築する。実験の結果,本手法はシーム彫刻画像の検出と局所化に有効であることがわかった。

関連論文リスト

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)
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)
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)
SeeTheSeams: Localized Detection of Seam Carving based Image Forgery in Satellite Imagery [15.127101376238418]
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。
論文参考訳（メタデータ） (2021-08-28T00:00:37Z)
Noise Doesn't Lie: Towards Universal Detection of Deep Inpainting [42.189768203036394]
本研究は, ディープ・インパインティングの普遍的検出に向けた最初の試みであり, 検出ネットワークの一般化を図っている。提案手法は,既存の検出手法を大きなマージンで上回り,未確認の深層塗膜技術に最適化する。
論文参考訳（メタデータ） (2021-06-03T01:29:29Z)
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)
DetCo: Unsupervised Contrastive Learning for Object Detection [64.22416613061888]
教師なしのコントラスト学習は,CNNを用いた画像表現学習において大きな成功を収めている。我々は,グローバルイメージとローカルイメージパッチのコントラストをフルに検討する,DetCoという新しいコントラスト学習手法を提案する。 DetCoは1倍のスケジュールでMask RCNN-C4/FPN/RetinaNet上で1.6/1.2/1.0 APで教師付き手法を一貫して上回っている。
論文参考訳（メタデータ） (2021-02-09T12:47:20Z)
What makes fake images detectable? Understanding properties that generalize [55.4211069143719]
深層ネットワークは、博士画像の微妙なアーティファクトを拾い上げることができる。我々は、偽画像のどの特性が検出可能かを理解することを模索する。検出可能な特性を誇張する手法を示す。
論文参考訳（メタデータ） (2020-08-24T17:50:28Z)
High-Resolution Image Inpainting with Iterative Confidence Feedback and Guided Upsampling [122.06593036862611]
既存の画像塗装法は、実アプリケーションで大きな穴を扱う際に、しばしばアーティファクトを生成する。本稿では,フィードバック機構を備えた反復インペイント手法を提案する。実験により,本手法は定量評価と定性評価の両方において既存手法よりも有意に優れていた。
論文参考訳（メタデータ） (2020-05-24T13:23:45Z)

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。