論文の概要: X-Transfer: A Transfer Learning-Based Framework for Robust GAN-Generated
Fake Image Detection
- arxiv url: http://arxiv.org/abs/2310.04639v1
- Date: Sat, 7 Oct 2023 01:23:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 16:56:08.800949
- Title: X-Transfer: A Transfer Learning-Based Framework for Robust GAN-Generated
Fake Image Detection
- Title（参考訳）: X-Transfer:ロバストGAN生成フェイク画像検出のための移動学習フレームワーク
- Authors: Lei Zhang, Hao Chen, Shu Hu, Bin Zhu, Xi Wu, Jinrong Hu, Xin Wang
- Abstract要約: 偽画像の生成にGANを誤用することは、重大なセキュリティ上の懸念を引き起こす。
実画像と偽画像とを区別する効果的な検出方法が緊急に必要である。
本稿では,新しい画像検出アルゴリズムであるX-Transferを提案する。
- 参考スコア（独自算出の注目度）: 34.98363892845223
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative adversarial networks (GANs) have remarkably advanced in diverse
domains, especially image generation and editing. However, the misuse of GANs
for generating deceptive images raises significant security concerns, including
face replacement and fake accounts, which have gained widespread attention.
Consequently, there is an urgent need for effective detection methods to
distinguish between real and fake images. Some of the current research centers
around the application of transfer learning. Nevertheless, it encounters
challenges such as knowledge forgetting from the original dataset and
inadequate performance when dealing with imbalanced data during training. To
alleviate the above issues, this paper introduces a novel GAN-generated image
detection algorithm called X-Transfer. This model enhances transfer learning by
utilizing two sibling neural networks that employ interleaved parallel gradient
transmission. This approach also effectively mitigates the problem of excessive
knowledge forgetting. In addition, we combine AUC loss term and cross-entropy
loss to enhance the model's performance comprehensively. The AUC loss
approximates the AUC metric using WMW statistics, ensuring differentiability
and improving the performance of traditional AUC evaluation. We carry out
comprehensive experiments on multiple facial image datasets. The results show
that our model outperforms the general transferring approach, and the best
accuracy achieves 99.04%, which is increased by approximately 10%. Furthermore,
we demonstrate excellent performance on non-face datasets, validating its
generality and broader application prospects.
- Abstract（参考訳）: generative adversarial networks (gans) は様々な分野、特に画像の生成や編集において著しく進歩している。
しかし、偽画像生成におけるgansの誤用は、顔の交換や偽アカウントを含む重大なセキュリティ上の懸念を招き、広く注目を集めている。
その結果,実画像と偽画像とを区別する効果的な検出法が緊急に必要となる。
現在の研究は移動学習の応用を中心にしている。
それでも、トレーニング中に不均衡なデータを扱う場合、元のデータセットから忘れられた知識や不十分なパフォーマンスといった課題に遭遇する。
そこで,本稿では,X-Transferと呼ばれる新しいGAN生成画像検出アルゴリズムを提案する。
このモデルは、インターリーブ並列勾配伝送を用いた2つの兄弟ニューラルネットワークを利用することで、転送学習を強化する。
このアプローチは、過剰な知識忘れの問題を効果的に緩和する。
さらに、AUC損失項とクロスエントロピー損失を組み合わせたモデルの性能を総合的に向上させる。
AUCの損失は、WMW統計を用いてAUCメトリックを近似し、微分可能性を確保し、従来のAUC評価の性能を向上させる。
複数の顔画像データセットに関する総合的な実験を行う。
その結果,本モデルの方が一般的な転送手法よりも優れており,精度は99.04%向上し,約10%向上した。
さらに,非面データセットにおいて優れた性能を示し,その汎用性とより広い応用可能性を検証する。
関連論文リスト
- Large-Scale Data-Free Knowledge Distillation for ImageNet via Multi-Resolution Data Generation [53.95204595640208]
Data-Free Knowledge Distillation (DFKD)は、教師モデルから生徒モデルへの知識伝達を可能にする高度な技術である。
従来のアプローチでは、実際の画像の情報を活用することなく、高解像度で合成画像を生成してきた。
MUSEは、クラスアクティベーションマップ(CAM)を使用して、低い解像度で画像を生成し、生成された画像が重要なクラス固有の特徴を保持することを保証する。
論文 参考訳（メタデータ） (2024-11-26T02:23:31Z) - DA-HFNet: Progressive Fine-Grained Forgery Image Detection and Localization Based on Dual Attention [12.36906630199689]
DA-HFNet鍛造画像データセットをテキストまたは画像支援GANおよび拡散モデルで作成する。
我々のゴールは、階層的なプログレッシブネットワークを使用して、異なるスケールの偽造物を検出およびローカライゼーションするために捕獲することである。
論文 参考訳（メタデータ） (2024-06-03T16:13:33Z) - Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳（メタデータ） (2024-03-23T22:32:06Z) - GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。
公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。
我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
論文 参考訳（メタデータ） (2024-02-03T03:13:50Z) - Robust face anti-spoofing framework with Convolutional Vision
Transformer [1.7596501992526474]
本研究では、様々な未確認領域データに対して堅牢な性能を実現する畳み込み型視覚変換器に基づくフレームワークを提案する。
また、ドメイン一般化のための他の9つのベンチマークモデルよりも、クロスデータセット設定のサブプロトコールにおける最も高い平均ランクを示す。
論文 参考訳（メタデータ） (2023-07-24T00:03:09Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳（メタデータ） (2023-03-17T18:00:27Z) - Data Instance Prior for Transfer Learning in GANs [25.062518859107946]
限られたデータ領域におけるGANの新たな転送学習手法を提案する。
提案手法は,対象画像の少ない領域に知識を効果的に伝達することを示す。
また,大規模な無条件画像生成と画像編集タスクに先立って,データインスタンスの有用性を示す。
論文 参考訳（メタデータ） (2020-12-08T07:40:30Z) - T-GD: Transferable GAN-generated Images Detection Framework [16.725880610265378]
本稿では,Transferable GAN-images Detection framework T-GDを提案する。
T-GDは教師と学生モデルから構成されており、相互に反復的に教え、評価し、検出性能を向上させることができる。
学生モデルを訓練するために、音源とターゲットデータセットを混合してノイズを注入し、ウェイト変動を制約して開始点を保存する。
論文 参考訳（メタデータ） (2020-08-10T13:20:19Z) - Joint Deep Learning of Facial Expression Synthesis and Recognition [97.19528464266824]
顔表情の合成と認識を効果的に行うための新しい統合深層学習法を提案する。
提案手法は, 2段階の学習手順を伴い, まず, 表情の異なる顔画像を生成するために, 表情合成生成対向ネットワーク (FESGAN) を事前訓練する。
実画像と合成画像間のデータバイアスの問題を軽減するために,新しい実データ誘導バックプロパゲーション(RDBP)アルゴリズムを用いたクラス内損失を提案する。
論文 参考訳（メタデータ） (2020-02-06T10:56:00Z)
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。