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
- 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) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳(メタデータ) (2023-07-28T00:44:57Z) - 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) - Auto-Focus Contrastive Learning for Image Manipulation Detection [28.332585163675617]
画像操作検出のためのAF-CL(Auto-Focus Contrastive Learning)ネットワークを提案する。
マルチスケールビュー生成(MSVG)とトレース関係モデリング(TRM)の2つの主要なアイデアを含んでいる。
論文 参考訳(メタデータ) (2022-11-20T09:40:36Z) - 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。