論文の概要: Few-shot Forgery Detection via Guided Adversarial Interpolation
- arxiv url: http://arxiv.org/abs/2204.05905v1
- Date: Tue, 12 Apr 2022 16:05:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-13 13:35:20.497033
- Title: Few-shot Forgery Detection via Guided Adversarial Interpolation
- Title（参考訳）: ガイド付き逆境補間による数発偽造検出
- Authors: Haonan Qiu, Siyu Chen, Bei Gan, Kun Wang, Huafeng Shi, Jing Shao,
Ziwei Liu
- Abstract要約: 既存の偽造検出手法は、新しい偽造手法に適用した場合、大幅な性能低下を被る。
本稿では,数発の偽造検出問題を克服するために,GAI(Guid Adversarial Interpolation)を提案する。
我々の手法は、多数派と少数派の偽造アプローチの選択に対して堅牢であることが検証されている。
- 参考スコア（独自算出の注目度）: 40.963986697935034
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Realistic visual media synthesis is becoming a critical societal issue with
the surge of face manipulation models; new forgery approaches emerge at an
unprecedented pace. Unfortunately, existing forgery detection methods suffer
significant performance drops when applied to novel forgery approaches. In this
work, we address the few-shot forgery detection problem by designing a
comprehensive benchmark based on coverage analysis among various forgery
approaches, and proposing Guided Adversarial Interpolation (GAI). Our key
insight is that there exist transferable distribution characteristics among
different forgery approaches with the majority and minority classes.
Specifically, we enhance the discriminative ability against novel forgery
approaches via adversarially interpolating the artifacts of the minority
samples to the majority samples under the guidance of a teacher network. Unlike
the standard re-balancing method which usually results in over-fitting to
minority classes, our method simultaneously takes account of the diversity of
majority information as well as the significance of minority information.
Extensive experiments demonstrate that our GAI achieves state-of-the-art
performances on the established few-shot forgery detection benchmark. Notably,
our method is also validated to be robust to choices of majority and minority
forgery approaches.
- Abstract（参考訳）: 現実的なビジュアルメディア合成は、顔操作モデルの増加に伴い、重要な社会問題になりつつある。
残念ながら、既存の偽造検出手法は、新しい偽造手法を適用すると、大幅な性能低下を被る。
本稿では,様々なフォージェリーアプローチのカバレッジ分析に基づく包括的なベンチマークを設計し,GAI(Guid Adversarial Interpolation)を提案することで,数発のフォージェリー検出問題に対処する。
我々の重要な洞察は、多数派と少数派階級の異なる偽造アプローチの間に転送可能な分布特性が存在することである。
具体的には,教師ネットワークの指導のもと,少数サンプルのアーティファクトを多数サンプルに対逆的に補間することで,新たな偽造アプローチに対する差別能力を高める。
通常、少数派に過度に適合する標準的再バランス法とは異なり、本手法は多数派情報の多様性と少数派情報の重要さを同時に考慮する。
広範な実験により,提案手法が確立されたマイナショット偽造検出ベンチマークにおいて最先端のパフォーマンスを達成できることが実証された。
また,本手法は,多数派および少数派の偽造手法の選択に対して堅牢であることを示す。
関連論文リスト
- Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。
このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。
4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
論文 参考訳（メタデータ） (2024-08-02T14:34:27Z) - Confronting Discrimination in Classification: Smote Based on
Marginalized Minorities in the Kernel Space for Imbalanced Data [0.0]
決定境界とサンプル近接関係に基づく新しい分類オーバーサンプリング手法を提案する。
提案手法を古典的金融詐欺データセットで検証する。
論文 参考訳（メタデータ） (2024-02-13T04:03:09Z) - Adversarial Reweighting Guided by Wasserstein Distance for Bias
Mitigation [24.160692009892088]
データ中のマイノリティの下位表現は、学習中のサブポピュレーションの異なる扱いを困難にしている。
本稿では,このような表現バイアスに対処する新たな逆方向再重み付け手法を提案する。
論文 参考訳（メタデータ） (2023-11-21T15:46:11Z) - Causal Interventions-based Few-Shot Named Entity Recognition [5.961427870758681]
名前付きエンティティ認識(NER)システムは、いくつかのラベル付きサンプルに基づいて新しいエンティティのクラスを認識することを目的としている。
少数ショット学習における過度なオーバーフィッティングは主に、少数のサンプル選択バイアスによって引き起こされる刺激的な相関によって導かれる。
本稿では,因果的介入に基づく複数ショットNER法を提案する。
論文 参考訳（メタデータ） (2023-05-03T06:11:39Z) - Boosting Few-Shot Text Classification via Distribution Estimation [38.99459686893034]
そこで本稿では,未ラベルの問合せサンプルを用いて,新しいクラスの分布を推定する,単純かつ効果的な2つの手法を提案する。
具体的には、まずクラスまたはサンプルをガウス分布に従って仮定し、元のサポートセットと最も近いクエリサンプルを使用する。
そして,推定分布から抽出したラベル付きサンプルを増量し,分類モデルの訓練に十分な監督力を与える。
論文 参考訳（メタデータ） (2023-03-26T05:58:39Z) - The Majority Can Help The Minority: Context-rich Minority Oversampling
for Long-tailed Classification [20.203461156516937]
多様なマイノリティーサンプルを増補する新しいマイノリティーオーバーサンプリング法を提案する。
私たちのキーとなるアイデアは、フォアグラウンドパッチをマイノリティークラスから、豊かなコンテキストを持つ多数クラスの背景イメージに貼り付けることです。
本手法は,様々な長期分類ベンチマークにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2021-12-01T10:58:30Z) - Towards A Conceptually Simple Defensive Approach for Few-shot
classifiers Against Adversarial Support Samples [107.38834819682315]
本研究は,数発の分類器を敵攻撃から守るための概念的簡便なアプローチについて検討する。
本稿では,自己相似性とフィルタリングの概念を用いた簡易な攻撃非依存検出法を提案する。
ミニイメージネット(MI)とCUBデータセットの攻撃検出性能は良好である。
論文 参考訳（メタデータ） (2021-10-24T05:46:03Z) - Few-Shot Fine-Grained Action Recognition via Bidirectional Attention and
Contrastive Meta-Learning [51.03781020616402]
現実世界のアプリケーションで特定のアクション理解の需要が高まっているため、きめ細かいアクション認識が注目を集めている。
そこで本研究では,各クラスに付与されるサンプル数だけを用いて,新規なきめ細かい動作を認識することを目的とした,数発のきめ細かな動作認識問題を提案する。
粒度の粗い動作では進展があったが、既存の数発の認識手法では、粒度の細かい動作を扱う2つの問題に遭遇する。
論文 参考訳（メタデータ） (2021-08-15T02:21:01Z) - Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。
まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。
第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
論文 参考訳（メタデータ） (2021-01-20T11:48:12Z) - M2m: Imbalanced Classification via Major-to-minor Translation [79.09018382489506]
ほとんどの実世界のシナリオでは、ラベル付きトレーニングデータセットは非常にクラス不均衡であり、ディープニューラルネットワークは、バランスの取れたテスト基準への一般化に苦しむ。
本稿では,より頻度の低いクラスを,より頻度の低いクラスからのサンプルを翻訳することによって,この問題を緩和する新しい方法を提案する。
提案手法は,従来の再サンプリング法や再重み付け法と比較して,マイノリティクラスの一般化を著しく改善することを示す。
論文 参考訳（メタデータ） (2020-04-01T13:21:17Z)
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。