論文の概要: Can Deep Network Balance Copy-Move Forgery Detection and
Distinguishment?
- arxiv url: http://arxiv.org/abs/2305.10247v1
- Date: Wed, 17 May 2023 14:35:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 15:30:25.791927
- Title: Can Deep Network Balance Copy-Move Forgery Detection and
Distinguishment?
- Title（参考訳）: deep network balance copy-move forgery detection and distinguishment(深層ネットワークバランス)は可能か?
- Authors: Shizhen Chang
- Abstract要約: コピーモーブ偽造検出は、デジタル画像鑑定において重要な研究領域である。
近年では、コピー・ムーブの偽造品で原本と複製物とを区別することへの関心が高まっている。
本稿では,エンド・ツー・エンドのディープ・ニューラル・ネットワークにおけるトランスフォーマー・アーキテクチャを用いた革新的な手法を提案する。
- 参考スコア（独自算出の注目度）: 3.7311680121118345
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Copy-move forgery detection is a crucial research area within digital image
forensics, as it focuses on identifying instances where objects in an image are
duplicated and placed in different locations. The detection of such forgeries
is particularly important in contexts where they can be exploited for malicious
purposes. Recent years have witnessed an increased interest in distinguishing
between the original and duplicated objects in copy-move forgeries, accompanied
by the development of larger-scale datasets to facilitate this task. However,
existing approaches to copy-move forgery detection and source/target
differentiation often involve two separate steps or the design of individual
end-to-end networks for each task. In this paper, we propose an innovative
method that employs the transformer architecture in an end-to-end deep neural
network. Our method aims to detect instances of copy-move forgery while
simultaneously localizing the source and target regions. By utilizing this
approach, we address the challenges posed by multi-object copy-move scenarios
and report if there is a balance between the detection and differentiation
tasks. To evaluate the performance of our proposed network, we conducted
experiments on two publicly available copy-move datasets. The results and
analysis aims to show the potential significance of our focus in balancing
detection and distinguishment result and transferring the trained model in
different datasets in the field.
- Abstract（参考訳）: コピー・ムーブの偽造検出は、画像内のオブジェクトを複製して異なる場所に配置するインスタンスを特定することに焦点を当てており、デジタル画像鑑定において重要な研究領域である。
このような偽造の検出は、悪意のある目的のために悪用できる状況において特に重要である。
近年、コピー・モーブの偽造品におけるオリジナルと複製されたオブジェクトの区別への関心が高まり、この作業を容易にするために大規模なデータセットの開発が進められている。
しかし、既存のコピー・モーブの偽造検出とソース/ターゲットの区別には、2つのステップまたは各タスクのための個別のエンドツーエンドネットワークの設計が含まれることが多い。
本稿では,エンド・ツー・エンドのディープニューラルネットワークにおいてトランスフォーマーアーキテクチャを用いた革新的な手法を提案する。
本手法は,ソースとターゲット領域を同時にローカライズしながら,コピーモーブ偽造のインスタンスを検出することを目的としている。
このアプローチを利用することで、マルチオブジェクトコピーモーブシナリオによって生じる課題に対処し、検出タスクと差別化タスクのバランスがあるかどうかを報告する。
提案するネットワークの性能を評価するために、2つの公開コピー-ムーブデータセットの実験を行った。
結果と分析は,学習したモデルをフィールド内の異なるデータセットに転送し,検出と識別結果のバランスをとることに重点を置く潜在的意義を示すことを目的としている。
関連論文リスト
- Object-level Copy-Move Forgery Image Detection based on Inconsistency Mining [25.174869954072648]
Inconsistency Mining(IMNet)に基づくオブジェクトレベルのコピー・モーブ偽画像検出を提案する。
オブジェクトレベルの完全なターゲットを得るために、ソースと改ざんされた領域のプロトタイプをカスタマイズし、動的に更新する。
提案するIMNetの有効性とロバスト性を検証した3つの公開データセットについて実験を行った。
論文 参考訳（メタデータ） (2024-03-31T09:01:17Z) - Few-Shot Object Detection with Sparse Context Transformers [37.106378859592965]
少ないショット検出は、少ないラベル付きデータでトレーニングされたモデルを使用してオブジェクトをローカライズするパターン認識における主要なタスクである。
本稿では,ソース領域におけるオブジェクトの知識を効果的に活用し,対象領域内の少数のトレーニング画像からスパースコンテキストを自動的に学習する新しいスパースコンテキスト変換器を提案する。
提案手法を2つの難易度オブジェクト検出ベンチマークで評価し,提案手法が関連する最先端技術と比較して競合性能を得ることを示す実験結果を得た。
論文 参考訳（メタデータ） (2024-02-14T17:10:01Z) - Shrinking the Semantic Gap: Spatial Pooling of Local Moment Invariants
for Copy-Move Forgery Detection [7.460203098159187]
Copy-move forgeryは、特定のパッチをコピー&ペーストして画像に貼り付ける操作で、潜在的に違法または非倫理的使用がある。
コピー・ムーブ・フォージェリーの法医学的手法の進歩は,検出精度とロバスト性の向上に寄与している。
自己相似性が高い画像や強い信号の破損のある画像の場合、既存のアルゴリズムはしばしば非効率なプロセスと信頼性の低い結果を示す。
論文 参考訳（メタデータ） (2022-07-19T09:11:43Z) - Cross Domain Object Detection by Target-Perceived Dual Branch
Distillation [49.68119030818388]
クロスドメインオブジェクト検出は、現実的で挑戦的なタスクです。
本稿では,TDD(Target-perceived Dual-branch Distillation)フレームワークを提案する。
私たちのTDDは、すべてのベンチマークで最先端のメソッドよりも大幅に優れています。
論文 参考訳（メタデータ） (2022-05-03T03:51:32Z) - Decoupled Adaptation for Cross-Domain Object Detection [69.5852335091519]
クロスドメインオブジェクト検出は、オブジェクト分類よりも難しい。
D-adaptは4つのクロスドメインオブジェクト検出タスクで最先端の結果を達成する。
論文 参考訳（メタデータ） (2021-10-06T08:43:59Z) - Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。
DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。
擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-06-30T03:17:20Z) - Unsupervised Domain Adaption of Object Detectors: A Survey [87.08473838767235]
近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。
高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。
このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
論文 参考訳（メタデータ） (2021-05-27T23:34:06Z) - Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。
人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。
実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-05-15T23:57:36Z) - Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。
教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。
我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
論文 参考訳（メタデータ） (2020-03-29T09:03:23Z) - Copy Move Source-Target Disambiguation through Multi-Branch CNNs [38.75957215447834]
そこで本研究では,コピー・ムーブ・フォージェリのソース領域とターゲット領域を同定し,タグ付き領域の正確な位置決めを可能にする手法を提案する。
まず,一般のコピー-ムーブ検出器によって検出された2つのほぼ重複領域間の領域を決定することが目的である仮説テストフレームワークに問題を投入した。
そして,コピー移動領域における人工物の存在と境界の不整合を明らかにすることができる特徴セットを学習することにより,仮説テスト問題を解決するマルチブランチCNNアーキテクチャを設計する。
論文 参考訳（メタデータ） (2019-12-29T11:56:33Z)
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。