論文の概要: Scale Invariant Domain Generalization Image Recapture Detection

• arxiv url: http://arxiv.org/abs/2110.03496v1
• Date: Thu, 7 Oct 2021 14:32:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-08 15:40:44.168743
• Title: Scale Invariant Domain Generalization Image Recapture Detection
• Title（参考訳）: スケール不変領域一般化画像キャプチャー
• Authors: Jinian Luo, Jie Guo, Weidong Qiu, Zheng Huang, and Hong Hui
• Abstract要約: これらの課題に対処するために、スケールアライメントドメイン一般化フレームワーク(SADG)を提案する。 まず、画像表現分布の相違を最小限に抑えるために、対向領域判別器を利用する。 最後に、大域的な関係正規化としてスケールアライメント損失を導入し、異なるスケールで同じクラスのイメージ表現を区別不能にする。
• 参考スコア（独自算出の注目度）: 3.210092699356333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recapturing and rebroadcasting of images are common attack methods in insurance frauds and face identification spoofing, and an increasing number of detection techniques were introduced to handle this problem. However, most of them ignored the domain generalization scenario and scale variances, with an inferior performance on domain shift situations, and normally were exacerbated by intra-domain and inter-domain scale variances. In this paper, we propose a scale alignment domain generalization framework (SADG) to address these challenges. First, an adversarial domain discriminator is exploited to minimize the discrepancies of image representation distributions among different domains. Meanwhile, we exploit triplet loss as a local constraint to achieve a clearer decision boundary. Moreover, a scale alignment loss is introduced as a global relationship regularization to force the image representations of the same class across different scales to be undistinguishable. Experimental results on four databases and comparison with state-of-the-art approaches show that better performance can be achieved using our framework.
• Abstract（参考訳）: 画像の再撮影と再放送は、保険詐欺や顔認証の不正行為における一般的な攻撃方法であり、この問題に対処するための検出技術が増えている。 しかし、その多くはドメインの一般化シナリオとスケールの分散を無視しており、ドメインシフトの状況では性能が劣り、通常ドメイン内およびドメイン間スケールのばらつきによって悪化した。 本稿では,これらの課題に対処するスケールアライメント領域一般化フレームワーク(SADG)を提案する。 まず、逆領域判別器を用いて、異なる領域間の画像表現分布のばらつきを最小化する。 一方,三重項損失を局所的な制約として活用し,決定境界の明確化を図る。 さらに、グローバル関係正規化としてスケールアライメント損失を導入し、異なるスケールにわたって同じクラスのイメージ表現を維持不能にさせる。 4つのデータベースに関する実験結果と最先端のアプローチとの比較により、我々のフレームワークを用いてより良いパフォーマンスを実現することができることを示す。

関連論文リスト

• Domain Generalized Recaptured Screen Image Identification Using SWIN Transformer [1.024113475677323]
  ケースケードデータ拡張とSWIN変換器領域一般化フレームワーク(DAST-DG)を提案する。 特徴生成装置は、様々な領域の正像を識別不能にするために訓練される。 このプロセスは、再適応された画像に適用され、二重対角学習セットを生成する。
  論文  参考訳（メタデータ） (2024-07-24T11:22:02Z)
• A Novel Cross-Perturbation for Single Domain Generalization [54.612933105967606]
  単一ドメインの一般化は、モデルが単一のソースドメインでトレーニングされたときに未知のドメインに一般化する能力を高めることを目的としている。 トレーニングデータの限られた多様性は、ドメイン不変の特徴の学習を妨げ、結果として一般化性能を損なう。 トレーニングデータの多様性を高めるために,CPerbを提案する。
  論文  参考訳（メタデータ） (2023-08-02T03:16:12Z)
• Single Domain Dynamic Generalization for Iris Presentation Attack Detection [41.126916126040655]
  アイリスプレゼンテーションの一般化はドメイン内の設定では大きな成功を収めたが、目に見えないドメインでは容易に分解できる。 本稿では,ドメイン不変性とドメイン固有性を利用した単一ドメイン動的一般化(SDDG)フレームワークを提案する。 提案手法は有効であり,LivDet-Iris 2017データセットの最先端性を上回っている。
  論文  参考訳（メタデータ） (2023-05-22T07:54:13Z)
• Unsupervised Domain Adaptation for Semantic Segmentation using One-shot Image-to-Image Translation via Latent Representation Mixing [9.118706387430883]
  超高解像度画像のセマンティックセグメンテーションのための新しい教師なし領域適応法を提案する。 潜在コンテンツ表現をドメイン間で混合するエンコーダ・デコーダの原理に基づいて,画像から画像への変換パラダイムを提案する。 都市間比較実験により,提案手法は最先端領域適応法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-12-07T18:16:17Z)
• Single-domain Generalization in Medical Image Segmentation via Test-time Adaptation from Shape Dictionary [64.5632303184502]
  ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。 本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。 本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T08:46:27Z)
• Domain Generalization via Gradient Surgery [5.38147998080533]
  現実のアプリケーションでは、マシンラーニングモデルは、トレーニングとテストドメイン間のデータ分散の変化があるシナリオに直面します。 本研究では,ドメインシフトのシナリオに現れる矛盾する勾配を特徴付けるとともに,新たな勾配合意戦略を考案する。
  論文  参考訳（メタデータ） (2021-08-03T16:49:25Z)
• Cross-Domain Similarity Learning for Face Recognition in Unseen Domains [90.35908506994365]
  本研究では,cdt(cross-domain triplet, クロスドメイントリプレット)の損失を推測する新しいクロスドメインメトリック学習損失法を提案する。 CDT損失は、一つのドメインからコンパクトな特徴クラスタを強制することによって意味論的に意味のある特徴の学習を促進する。 本手法では,トレーニング中,注意深いハードペアサンプルマイニングおよびフィルタリング戦略は必要としない。
  論文  参考訳（メタデータ） (2021-03-12T19:48:01Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Single-Side Domain Generalization for Face Anti-Spoofing [91.79161815884126]
  対面型アンチスプーフィングの一般化能力を向上させるために,エンドツーエンドの単一側ドメイン一般化フレームワークを提案する。 提案手法は,4つの公開データベース上での最先端手法よりも効果的かつ優れた手法である。
  論文  参考訳（メタデータ） (2020-04-29T09:32:54Z)
• CrDoCo: Pixel-level Domain Transfer with Cross-Domain Consistency [119.45667331836583]
  教師なしのドメイン適応アルゴリズムは、あるドメインから学んだ知識を別のドメインに転送することを目的としている。 本稿では,新しい画素単位の対向領域適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-09T19:00:35Z)

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。