論文の概要: Hierarchical Fine-Grained Image Forgery Detection and Localization

• arxiv url: http://arxiv.org/abs/2303.17111v1
• Date: Thu, 30 Mar 2023 02:51:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-31 14:33:12.937055
• Title: Hierarchical Fine-Grained Image Forgery Detection and Localization
• Title（参考訳）: 階層的細粒画像偽造検出と局在化
• Authors: Xiao Guo, Xiaohong Liu, Zhiyuan Ren, Steven Grosz, Iacopo Masi, Xiaoming Liu
• Abstract要約: IFDL表現学習のための階層的きめ細かい定式化を提案する。 まず、複数のラベルを異なるレベルのラベルで操作した画像の偽属性を表現します。 その結果、アルゴリズムは、様々なフォージェリー属性の包括的特徴と固有の階層性の両方を学ぶことを奨励されている。
• 参考スコア（独自算出の注目度）: 24.595585815686007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Differences in forgery attributes of images generated in CNN-synthesized and image-editing domains are large, and such differences make a unified image forgery detection and localization (IFDL) challenging. To this end, we present a hierarchical fine-grained formulation for IFDL representation learning. Specifically, we first represent forgery attributes of a manipulated image with multiple labels at different levels. Then we perform fine-grained classification at these levels using the hierarchical dependency between them. As a result, the algorithm is encouraged to learn both comprehensive features and inherent hierarchical nature of different forgery attributes, thereby improving the IFDL representation. Our proposed IFDL framework contains three components: multi-branch feature extractor, localization and classification modules. Each branch of the feature extractor learns to classify forgery attributes at one level, while localization and classification modules segment the pixel-level forgery region and detect image-level forgery, respectively. Lastly, we construct a hierarchical fine-grained dataset to facilitate our study. We demonstrate the effectiveness of our method on $7$ different benchmarks, for both tasks of IFDL and forgery attribute classification. Our source code and dataset can be found: \href{https://github.com/CHELSEA234/HiFi_IFDL}{github.com/CHELSEA234/HiFi-IFDL}.
• Abstract（参考訳）: CNN合成領域と画像編集領域で生成された画像の偽造特性の差が大きいため、画像の偽造検出と局所化(IFDL)が困難である。 この目的のために、IFDL表現学習のための階層的きめ細かい定式化を提案する。 具体的には、複数のラベルが異なるレベルにある操作された画像の偽造属性をまず表現する。 そして、それらの階層的依存関係を用いて、これらのレベルできめ細かい分類を行う。 その結果、アルゴリズムは様々なフォージェリー属性の包括的特徴と固有の階層性の両方を学習し、IFDL表現を改善することができる。 提案するIFDLフレームワークは,マルチブランチ特徴抽出器,ローカライゼーション,分類モジュールの3つのコンポーネントを含む。 特徴抽出器の各ブランチは、画素レベルの偽造領域をローカライゼーションと分類モジュールがそれぞれ分割し、画像レベルの偽造を検出する間、偽造属性を1つのレベルで分類することを学習する。 最後に,我々の研究を容易にするために,階層的なきめ細かいデータセットを構築した。 IFDLと偽属性分類の両方のタスクに対して,7ドルの異なるベンチマークで提案手法の有効性を示す。 ソースコードとデータセットは以下の通りである。 \href{https://github.com/CHELSEA234/HiFi_IFDL}{github.com/CHELSEA234/HiFi-IFDL}。

関連論文リスト

• Language-guided Hierarchical Fine-grained Image Forgery Detection and Localization [17.5445037141816]
  CNN合成領域と画像編集領域で生成された画像の偽属性の差が大きい。 IFDL表現学習のための階層的きめ細かい定式化を提案する。 その結果、アルゴリズムは包括的特徴と異なるフォージェリー属性の固有の階層性の両方を学ぶことを奨励される。
  論文  参考訳（メタデータ） (2024-10-31T01:53:21Z)
• Finetuning CLIP to Reason about Pairwise Differences [52.028073305958074]
  本稿では,CLIPのような視覚言語モデルの学習手法を提案する。 我々はまず,ある属性による画像のランク付け能力を大幅に向上させることを実証した。 また、得られる埋め込みは埋め込み空間においてより大きな幾何学的性質に従うことを示す。
  論文  参考訳（メタデータ） (2024-09-15T13:02:14Z)
• A Capsule Network for Hierarchical Multi-Label Image Classification [2.507647327384289]
  階層的な多ラベル分類は、階層構造や分類に基づくより小さな分類に分類された多クラス画像分類問題に適用される。 階層分類のためのマルチラベルカプセルネットワーク(ML-CapsNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-13T04:17:08Z)
• Attribute Group Editing for Reliable Few-shot Image Generation [85.52840521454411]
  本稿では,画像生成のための新しい編集手法,すなわちAttribute Group Editing (AGE)を提案する。 AGEは、GANで学んだ内部表現を調べ、意味的に意味のある方向を識別する。
  論文  参考訳（メタデータ） (2022-03-16T06:54:09Z)
• DSNet: A Dual-Stream Framework for Weakly-Supervised Gigapixel Pathology Image Analysis [78.78181964748144]
  スライド画像全体(WSI)を分類するための弱教師付きフレームワークを提案する。 WSIは通常、パッチレベルのラベルを持つパッチワイド分類によって処理される。 イメージレベルのラベルのみの場合、パッチの外観とイメージレベルのラベルの矛盾のため、パッチの分類はサブ最適となる。
  論文  参考訳（メタデータ） (2021-09-13T09:10:43Z)
• Semantic Distribution-aware Contrastive Adaptation for Semantic Segmentation [50.621269117524925]
  ドメイン適応セマンティックセグメンテーション(ドメイン適応セマンティックセグメンテーション)とは、特定のソースドメインのアノテーションだけで特定のターゲットドメイン上で予測を行うことを指す。 画素ワイド表示アライメントを可能にする意味分布対応コントラスト適応アルゴリズムを提案する。 複数のベンチマークでSDCAを評価し、既存のアルゴリズムを大幅に改善します。
  論文  参考訳（メタデータ） (2021-05-11T13:21:25Z)
• Re-rank Coarse Classification with Local Region Enhanced Features for Fine-Grained Image Recognition [22.83821575990778]
  そこで我々は,Top1の精度を向上させるため,TopN分類結果を局所的に拡張した埋め込み機能を用いて再評価した。 より効果的なセマンティクスグローバル機能を学ぶために、我々は、自動構築された階層的カテゴリ構造上のマルチレベル損失をデザインする。 本手法は,cub-200-2011,stanford cars,fgvc aircraftの3つのベンチマークで最新性能を実現する。
  論文  参考訳（メタデータ） (2021-02-19T11:30:25Z)
• Zero-Shot Recognition through Image-Guided Semantic Classification [9.291055558504588]
  ゼロショット学習(ZSL)のための新しい埋め込み型フレームワークを提案する。 複数ラベル分類のための2値関係法により,画像と意味分類器のマッピングを逆学習する手法を提案する。 IGSCは概念的には単純であり、分類のための既存のディープアーキテクチャをわずかに拡張することで実現可能である。
  論文  参考訳（メタデータ） (2020-07-23T06:22:40Z)
• Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
  まずラベル階層の知識を任意のCNNベースの分類器に注入する。 画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
  論文  参考訳（メタデータ） (2020-04-02T10:22:02Z)
• Cross-Domain Few-Shot Classification via Learned Feature-Wise Transformation [109.89213619785676]
  各クラスにラベル付き画像がほとんどない新しいカテゴリを識別することを目的としている。 既存のメトリックベースの数ショット分類アルゴリズムは、クエリ画像の特徴埋め込みとラベル付き画像の特徴埋め込みを比較して、カテゴリを予測する。 有望な性能が証明されているが、これらの手法は目に見えない領域に一般化できないことが多い。
  論文  参考訳（メタデータ） (2020-01-23T18:55:43Z)

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。