論文の概要: Learning Hierarchical Graph Representation for Image Manipulation Detection

• arxiv url: http://arxiv.org/abs/2201.05730v1
• Date: Sat, 15 Jan 2022 01:54:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-19 15:56:27.664212
• Title: Learning Hierarchical Graph Representation for Image Manipulation Detection
• Title（参考訳）: 画像操作検出のための階層グラフ表現の学習
• Authors: Wenyan Pan, Zhili Zhou, Miaogen Ling, Xin Geng, Q. M. Jonathan Wu
• Abstract要約: 画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。 最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。 本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
• 参考スコア（独自算出の注目度）: 50.04902159383709
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The objective of image manipulation detection is to identify and locate the manipulated regions in the images. Recent approaches mostly adopt the sophisticated Convolutional Neural Networks (CNNs) to capture the tampering artifacts left in the images to locate the manipulated regions. However, these approaches ignore the feature correlations, i.e., feature inconsistencies, between manipulated regions and non-manipulated regions, leading to inferior detection performance. To address this issue, we propose a hierarchical Graph Convolutional Network (HGCN-Net), which consists of two parallel branches: the backbone network branch and the hierarchical graph representation learning (HGRL) branch for image manipulation detection. Specifically, the feature maps of a given image are extracted by the backbone network branch, and then the feature correlations within the feature maps are modeled as a set of fully-connected graphs for learning the hierarchical graph representation by the HGRL branch. The learned hierarchical graph representation can sufficiently capture the feature correlations across different scales, and thus it provides high discriminability for distinguishing manipulated and non-manipulated regions. Extensive experiments on four public datasets demonstrate that the proposed HGCN-Net not only provides promising detection accuracy, but also achieves strong robustness under a variety of common image attacks in the task of image manipulation detection, compared to the state-of-the-arts.
• Abstract（参考訳）: 画像操作検出の目的は、画像内の操作された領域を識別し、特定することである。 最近のアプローチでは、主に高度な畳み込みニューラルネットワーク(cnns)を採用して、画像に残されている改ざんされたアーティファクトをキャプチャし、操作された領域を見つける。 しかし、これらの手法は特徴相関、すなわち、操作された領域と非操作された領域との間の特徴の不整合を無視し、検出性能が劣る。 この問題に対処するために、バックボーンネットワークブランチと階層グラフ表現学習(HGRL)という2つの並列ブランチからなる階層グラフ畳み込みネットワーク(HGCN-Net)を提案する。 具体的には、所定の画像の特徴マップをバックボーンネットワークブランチで抽出し、その特徴マップ内の特徴相関を、階層グラフ表現をHGRLブランチで学習するための完全連結グラフの集合としてモデル化する。 学習された階層グラフ表現は、異なるスケールにまたがる特徴相関を十分に捉えることができ、操作された領域と非操作領域を区別する高い識別性を提供する。 4つの公開データセットに対する大規模な実験により、提案されたHGCN-Netは、将来性のある検出精度を提供するだけでなく、画像操作検出のタスクにおいて、最先端技術と比較して、様々なイメージアタックの下で強力な堅牢性を実現することが示された。

関連論文リスト

• HRGR: Enhancing Image Manipulation Detection via Hierarchical Region-aware Graph Reasoning [41.99592210429157]
  階層型領域認識グラフ推論(HRGR)と呼ばれる新しい手法について述べる。 既存のグリッド方式とは違って,新しい特徴分割戦略によって生成される不規則な形状のコンテンツコヒーレンス特徴領域に基づく画像相関をモデル化する。 本手法は完全に差別化可能であり,監視を必要とせず,エンドツーエンドで主流ネットワークにシームレスに統合することが可能である。
  論文  参考訳（メタデータ） (2024-10-29T08:51:30Z)
• Hierarchical Graph Interaction Transformer with Dynamic Token Clustering for Camouflaged Object Detection [57.883265488038134]
  本稿では,HGINetと呼ばれる階層的なグラフ相互作用ネットワークを提案する。 このネットワークは、階層的トークン化機能間の効果的なグラフ相互作用を通じて、知覚不能なオブジェクトを発見することができる。 本実験は,既存の最先端手法と比較して,HGINetの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2024-08-27T12:53:25Z)
• GKGNet: Group K-Nearest Neighbor based Graph Convolutional Network for Multi-Label Image Recognition [37.02054260449195]
  マルチラベル画像認識(Multi-Label Image Recognition, MLIR)は、1つの画像で複数のオブジェクトラベルを予測することを目的とした課題である。 我々は、最初の完全グラフ畳み込みモデル、グループK-アネレスト近傍グラフ畳み込みネットワーク(GKGNet)を提示する。 実験により,GKGNetは計算コストを大幅に削減し,最先端の性能を実現することを示した。
  論文  参考訳（メタデータ） (2023-08-28T07:50:04Z)
• Adaptive Graph Convolution Module for Salient Object Detection [7.278033100480174]
  本稿では,複雑なシーンを扱うための適応型グラフ畳み込みモジュール(AGCM)を提案する。 学習可能な領域生成層を用いて入力画像からプロトタイプ特徴を抽出する。 提案したAGCMは,SOD性能を定量的かつ定量的に劇的に向上させる。
  論文  参考訳（メタデータ） (2023-03-17T07:07:17Z)
• Graph Representation Learning for Spatial Image Steganalysis [11.358487655918678]
  空間画像ステガナリシスのためのグラフ表現学習アーキテクチャを提案する。 詳細なアーキテクチャでは、各画像をグラフに変換し、ノードは画像のパッチを表し、エッジはパッチ間の局所的な関連を示す。 注意ネットワークにグラフを供給することにより、効率的なステガナリシスのための識別的特徴を学習することができる。
  論文  参考訳（メタデータ） (2021-10-03T09:09:08Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Attention-Driven Dynamic Graph Convolutional Network for Multi-Label Image Recognition [53.17837649440601]
  本稿では,各画像の特定のグラフを動的に生成するアテンション駆動型動的グラフ畳み込みネットワーク(ADD-GCN)を提案する。 パブリックなマルチラベルベンチマーク実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-12-05T10:10:12Z)
• Graph Neural Networks for UnsupervisedDomain Adaptation of Histopathological ImageAnalytics [22.04114134677181]
  組織像解析のための教師なし領域適応のための新しい手法を提案する。 特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。 実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2020-08-21T04:53:44Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。