論文の概要: Forensicability Assessment of Questioned Images in Recapturing Detection
- arxiv url: http://arxiv.org/abs/2209.01935v1
- Date: Mon, 5 Sep 2022 12:26:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 15:02:13.697590
- Title: Forensicability Assessment of Questioned Images in Recapturing Detection
- Title（参考訳）: 回収検出における疑似画像の法医学的評価
- Authors: Changsheng Chen, Lin Zhao, Rizhao Cai, Zitong Yu, Jiwu Huang, Alex C.
Kot
- Abstract要約: 質問されたサンプルの鑑定可能性の定量化のための鑑定可能性評価ネットワークを提案する。
低フォレンシビリティサンプルは、実際の再適応検出プロセスの前に拒絶され、再適応システムの効率が向上する。
我々は、トレーニングされたFANetと、アンチ・スプーフィングと再適応された文書検出タスクの実践的な再適応検出スキームを統合する。
- 参考スコア（独自算出の注目度）: 78.45849869266834
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recapture detection of face and document images is an important forensic
task. With deep learning, the performances of face anti-spoofing (FAS) and
recaptured document detection have been improved significantly. However, the
performances are not yet satisfactory on samples with weak forensic cues. The
amount of forensic cues can be quantified to allow a reliable forensic result.
In this work, we propose a forensicability assessment network to quantify the
forensicability of the questioned samples. The low-forensicability samples are
rejected before the actual recapturing detection process to improve the
efficiency of recapturing detection systems. We first extract forensicability
features related to both image quality assessment and forensic tasks. By
exploiting domain knowledge of the forensic application in image quality and
forensic features, we define three task-specific forensicability classes and
the initialized locations in the feature space. Based on the extracted features
and the defined centers, we train the proposed forensic assessment network
(FANet) with cross-entropy loss and update the centers with a momentum-based
update method. We integrate the trained FANet with practical recapturing
detection schemes in face anti-spoofing and recaptured document detection
tasks. Experimental results show that, for a generic CNN-based FAS scheme,
FANet reduces the EERs from 33.75% to 19.23% under ROSE to IDIAP protocol by
rejecting samples with the lowest 30% forensicability scores. The performance
of FAS schemes is poor in the rejected samples, with EER as high as 56.48%.
Similar performances in rejecting low-forensicability samples have been
observed for the state-of-the-art approaches in FAS and recaptured document
detection tasks. To the best of our knowledge, this is the first work that
assesses the forensicability of recaptured document images and improves the
system efficiency.
- Abstract（参考訳）: 顔画像と文書画像の再検出は重要な法医学的課題である。
深層学習では, 対面アンチスプーフィング(FAS)と再適応文書検出の性能が大幅に向上した。
しかし、弱い法医学的手がかりを持つサンプルでは、その性能はまだ満足できない。
法医学的な手がかりの量を定量化し、信頼できる法医学的な結果を得られる。
そこで本研究では,質問試料の鑑識を定量化する鑑識評価ネットワークを提案する。
低フォレンシビリティサンプルは、実際の再適応検出プロセスの前に拒絶され、再適応検出システムの効率が向上する。
まず,画像品質評価と法医学的課題の両方に関連する法医学的特徴を抽出する。
画像品質と法医学的特徴における法医学的応用のドメイン知識を活用することで、3つのタスク固有の法医学的クラスと特徴空間における初期化位置を定義する。
抽出した特徴と定義されたセンターに基づいて,提案する法医学評価ネットワーク(FANet)をクロスエントロピー損失でトレーニングし,モーメントに基づく更新手法でセンターを更新する。
本研究は, フェース・アンチ・スプーフィングと文書検出タスクにおける実用的再捕集検出スキームと統合する。
実験の結果、一般的な cnn ベースの fas スキームでは、fanet は 30% の可視性スコアのサンプルを拒絶することで、eers を 33.75% から 19.23% に減らすことが示されている。
FASスキームの性能は拒否されたサンプルでは不十分であり、EERは56.48%である。
FASと再適応された文書検出タスクにおける最先端のアプローチに対して、低フォレンシビリティサンプルを拒絶する同様の性能が観察されている。
私たちの知る限りでは、これは文書画像の検索可能性を評価し、システム効率を向上させる最初の仕事です。
関連論文リスト
- Comparative Analysis of Deep Convolutional Neural Networks for Detecting Medical Image Deepfakes [0.0]
本稿では,13種類の最新のDeep Convolutional Neural Network(DCNN)モデルについて総合評価を行った。
ResNet50V2は精度と特異性に優れており、DenseNet169はその正確さ、リコール、F1スコアで区別されている。
また,DenseNetモデルとEfficientNetモデルの両方において,検討対象のDCNN間の遅延空間分離性の評価を行った。
論文 参考訳（メタデータ） (2024-01-08T16:37:22Z) - MOODv2: Masked Image Modeling for Out-of-Distribution Detection [57.17163962383442]
本研究は,様々なOODスコア関数を用いて,個別の事前学習課題について検討する。
当社のフレームワークMOODv2は,14.30%のAUROCをImageNetで95.68%に向上し,CIFAR-10で99.98%を達成した。
論文 参考訳（メタデータ） (2024-01-05T02:57:58Z) - MMNet: Multi-Collaboration and Multi-Supervision Network for Sequential
Deepfake Detection [81.59191603867586]
シークエンシャルディープフェイク検出は、回復のための正しいシーケンスで偽の顔領域を特定することを目的としている。
偽画像の復元には、逆変換を実装するための操作モデルの知識が必要である。
顔画像の空間スケールや逐次順列化を扱うマルチコラボレーション・マルチスーパービジョンネットワーク(MMNet)を提案する。
論文 参考訳（メタデータ） (2023-07-06T02:32:08Z) - Fingerprint Liveness Detection Based on Quality Measures [66.76480178498315]
新たな特徴セットは、完全なライブネス検出システムで使用され、LivDETコンペティションの開発セットでテストされている。
提案手法はマルチセンサのシナリオに対して堅牢であることが証明され、全体の93%が正しく分類されたサンプルである。
論文 参考訳（メタデータ） (2022-07-11T12:15:27Z) - On Improving Cross-dataset Generalization of Deepfake Detectors [1.0152838128195467]
ディープフェイクによる顔の操作は、大きなセキュリティリスクを引き起こし、深刻な社会的懸念を引き起こしている。
我々は、教師付きおよび強化学習(RL)のハイブリッド組み合わせとして深層偽検出を定式化し、そのクロスデータセット一般化性能を改善する。
提案手法は,ディープフェイク検出器のクロスデータセット一般化における既存の研究よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-08T20:34:53Z) - A Principled Design of Image Representation: Towards Forensic Tasks [75.40968680537544]
本稿では, 理論, 実装, 応用の観点から, 法科学指向の画像表現を別の問題として検討する。
理論レベルでは、Dense Invariant Representation (DIR)と呼ばれる、数学的保証を伴う安定した記述を特徴とする、新しい法医学の表現フレームワークを提案する。
本稿では, ドメインパターンの検出とマッチング実験について, 最先端の記述子との比較結果を提供する。
論文 参考訳（メタデータ） (2022-03-02T07:46:52Z) - Cascaded Robust Learning at Imperfect Labels for Chest X-ray
Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。
モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。
提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-04-05T15:50:16Z) - Automating Document Classification with Distant Supervision to Increase
the Efficiency of Systematic Reviews [18.33687903724145]
体系的なレビューは高価で、時間的需要があり、労働集約的です。
文書のレビュー作業を大幅に削減するための自動文書分類アプローチを提案します。
論文 参考訳（メタデータ） (2020-12-09T22:45:40Z) - The Forchheim Image Database for Camera Identification in the Wild [10.091921099426294]
Forchheim Image Database (FODB)は、27台のスマートフォンカメラで143シーンの23,000枚以上の画像で構成されている。
各画像は、オリジナルのカメラネイティブバージョンと、ソーシャルネットワークから5つのコピーの6つの異なる品質で提供される。
汎用EfficientNetは、クリーン画像と圧縮画像の両方で、いくつかの専門のCNNを著しく上回っている。
論文 参考訳（メタデータ） (2020-11-04T11:54:54Z) - Toward Reliable Models for Authenticating Multimedia Content: Detecting
Resampling Artifacts With Bayesian Neural Networks [9.857478771881741]
信頼性を重視した法医学的アルゴリズムの再設計に向けた第一歩を踏み出します。
本稿では,ディープニューラルネットワークのパワーとベイズフレームワークの厳密な確率的定式化を組み合わせたベイズニューラルネットワーク(BNN)を提案する。
BNNは、最先端の検出性能と、配布外サンプルを検出する優れた能力を得る。
論文 参考訳（メタデータ） (2020-07-28T11:23:40Z)
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。