論文の概要: Geo-DefakeHop: High-Performance Geographic Fake Image Detection
- arxiv url: http://arxiv.org/abs/2110.09795v1
- Date: Tue, 19 Oct 2021 08:19:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-20 13:52:11.070739
- Title: Geo-DefakeHop: High-Performance Geographic Fake Image Detection
- Title(参考訳): Geo-DefakeHop: 高性能な地理フェイク画像検出
- Authors: Hong-Shuo Chen, Kaitai Zhang, Shuowen Hu, Suya You and C.-C. Jay Kuo
- Abstract要約: 本研究では,Geo-DefakeHopと呼ばれる,ロバストな衛星画像検出手法を提案する。
Geo-DefakeHopは並列部分空間学習法(PSL)に基づいて開発された。
- 参考スコア(独自算出の注目度): 29.78214711300549
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A robust fake satellite image detection method, called Geo-DefakeHop, is
proposed in this work. Geo-DefakeHop is developed based on the parallel
subspace learning (PSL) methodology. PSL maps the input image space into
several feature subspaces using multiple filter banks. By exploring response
differences of different channels between real and fake images for a filter
bank, Geo-DefakeHop learns the most discriminant channels and uses their soft
decision scores as features. Then, Geo-DefakeHop selects a few discriminant
features from each filter bank and ensemble them to make a final binary
decision. Geo-DefakeHop offers a light-weight high-performance solution to fake
satellite images detection. Its model size is analyzed, which ranges from 0.8
to 62K parameters. Furthermore, it is shown by experimental results that it
achieves an F1-score higher than 95\% under various common image manipulations
such as resizing, compression and noise corruption.
- Abstract(参考訳): 本研究では,Geo-DefakeHopと呼ばれる,ロバストな衛星画像検出手法を提案する。
Geo-DefakeHopは並列部分空間学習法(PSL)に基づいて開発された。
PSLは入力画像空間を複数のフィルタバンクを用いていくつかの特徴部分空間にマッピングする。
Geo-DefakeHopは、フィルタバンクの実際の画像と偽画像の異なるチャンネルの応答差を調べることで、最も差別的なチャンネルを学び、ソフトな判定スコアを特徴として利用する。
次にGeo-DefakeHopは、各フィルタバンクからいくつかの識別機能を選択し、それらをアンサンブルして最終的なバイナリ決定を行う。
Geo-DefakeHopは、偽衛星画像検出のための軽量な高性能ソリューションを提供する。
モデルサイズは0.8から62kのパラメータで分析される。
さらに, 縮小, 圧縮, ノイズ劣化など, 様々な画像操作において, F1スコアが95%以上に達することを示す実験結果を得た。
関連論文リスト
- Multi-Spectral Remote Sensing Image Retrieval Using Geospatial Foundation Models [0.562479170374811]
この研究は、PrithviのようなGeospatial Foundation Modelsをリモートセンシング画像検索に使用することを提案している。
検索タスクに2つのデータセットを導入し、高い性能を観察する。
Prithviは6つのバンドを処理し、平均精度はBigEarthNet-43で97.62%、フォレストNet-12で44.51%に達する。
論文 参考訳(メタデータ) (2024-03-04T14:00:45Z) - SED: A Simple Encoder-Decoder for Open-Vocabulary Semantic Segmentation [91.91385816767057]
オープンボキャブラリセマンティックセグメンテーションは、ピクセルをオープンなカテゴリの集合から異なるセマンティックグループに区別する試みである。
オープン語彙セマンティックセグメンテーションのための単純なエンコーダデコーダSEDを提案する。
SED法では、ADE20KではmIoUスコアが31.6%、A6000では画像あたり82ミリ秒(ms$)のカテゴリが150である。
論文 参考訳(メタデータ) (2023-11-27T05:00:38Z) - GeoCLIP: Clip-Inspired Alignment between Locations and Images for
Effective Worldwide Geo-localization [61.10806364001535]
世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。
既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。
画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
論文 参考訳(メタデータ) (2023-09-27T20:54:56Z) - CSP: Self-Supervised Contrastive Spatial Pre-Training for
Geospatial-Visual Representations [90.50864830038202]
ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。
デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。
CSPは、様々なラベル付きトレーニングデータサンプリング比と10~34%の相対的な改善で、モデル性能を大幅に向上させる。
論文 参考訳(メタデータ) (2023-05-01T23:11:18Z) - Where in the World is this Image? Transformer-based Geo-localization in
the Wild [48.69031054573838]
世界各地で撮影された地上レベルのRGB画像から地理的位置(ジオローカライゼーション)を予測することは、非常に難しい問題です。
画像全体の細部を網羅する統合型デュアルブランチトランスネットワークであるTransLocatorを提案する。
我々は、Im2GPS、Im2GPS3k、YFCC4k、YFCC26kの4つのベンチマークデータセットでTransLocatorを評価し、5.5%、14.1%、4.9%、9.9%の大陸レベルの精度改善を得た。
論文 参考訳(メタデータ) (2022-04-29T03:27:23Z) - Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization
Using Satellite Image [91.29546868637911]
本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。
鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。
標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
論文 参考訳(メタデータ) (2022-04-10T19:16:58Z) - Hidden Path Selection Network for Semantic Segmentation of Remote
Sensing Images [38.89222641689085]
リモートセンシング画像におけるセマンティックセグメンテーションは、広大な地理的な位置の様々な分布を表現する必要がある。
自然画像解析のための画素適応前方経路を選択するために,いくつかのアルゴリズムが設計されている。
余分なミニブランチから派生した隠れ変数の助けを借りて、HPS-Netはアクセス不能なグローバル最適化に関する固有の問題に取り組むことができる。
論文 参考訳(メタデータ) (2021-12-09T21:31:13Z) - Saliency Enhancement using Superpixel Similarity [77.34726150561087]
Saliency Object Detection (SOD) は画像解析にいくつかの応用がある。
深層学習に基づくSOD法は最も効果的であるが、類似した色を持つ前景の部品を見逃すことがある。
スーパーピクセル類似性(SESS)に対するtextitSaliency Enhancement というポストプロセッシング手法を導入する。
我々は,SESSが5つの画像データセット上での3つのディープラーニングに基づくSOD手法の結果を連続的に,かつ著しく改善できることを実証した。
論文 参考訳(メタデータ) (2021-12-01T17:22:54Z) - A-PixelHop: A Green, Robust and Explainable Fake-Image Detector [27.34087987867584]
本稿では,CNN生成画像を検出する新しい手法であるAttentive PixelHop(A-PixelHop)を提案する。
1)低い計算複雑性と小さなモデルサイズ、2)幅広い生成モデルに対する高い検出性能、3)数学的透明性の3つの利点がある。
論文 参考訳(メタデータ) (2021-11-07T06:31:26Z) - Gigapixel Histopathological Image Analysis using Attention-based Neural
Networks [7.1715252990097325]
圧縮経路と学習経路からなるCNN構造を提案する。
本手法は,グローバル情報とローカル情報の両方を統合し,入力画像のサイズに関して柔軟であり,弱い画像レベルラベルのみを必要とする。
論文 参考訳(メタデータ) (2021-01-25T10:18:52Z)
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。