論文の概要: Device (In)Dependence of Deep Learning-based Image Age Approximation

• arxiv url: http://arxiv.org/abs/2404.11974v1
• Date: Thu, 18 Apr 2024 08:05:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-19 19:31:17.719441
• Title: Device (In)Dependence of Deep Learning-based Image Age Approximation
• Title（参考訳）: 深層学習に基づく画像年齢近似のデバイス(In)依存性
• Authors: Robert Jöchl, Andreas Uhl,
• Abstract要約: 時間的画像法医学の目標は、同じデバイスからの画像に対して、デジタル画像の年齢を近似することである。 本研究では,一つのデバイスからの画像にネットワークをトレーニングし,異なるデバイスからの画像にトレーニングされたモデルを適用することにより,これを実証的に評価する。
• 参考スコア（独自算出の注目度）: 4.088355251010862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The goal of temporal image forensic is to approximate the age of a digital image relative to images from the same device. Usually, this is based on traces left during the image acquisition pipeline. For example, several methods exist that exploit the presence of in-field sensor defects for this purpose. In addition to these 'classical' methods, there is also an approach in which a Convolutional Neural Network (CNN) is trained to approximate the image age. One advantage of a CNN is that it independently learns the age features used. This would make it possible to exploit other (different) age traces in addition to the known ones (i.e., in-field sensor defects). In a previous work, we have shown that the presence of strong in-field sensor defects is irrelevant for a CNN to predict the age class. Based on this observation, the question arises how device (in)dependent the learned features are. In this work, we empirically asses this by training a network on images from a single device and then apply the trained model to images from different devices. This evaluation is performed on 14 different devices, including 10 devices from the publicly available 'Northumbria Temporal Image Forensics' database. These 10 different devices are based on five different device pairs (i.e., with the identical camera model).
• Abstract（参考訳）: 時間的画像法医学の目標は、同じデバイスからの画像に対して、デジタル画像の年齢を近似することである。 通常、これは画像取得パイプライン中に残されたトレースに基づいている。 例えば、この目的のために、フィールド内センサー欠陥の存在を利用するいくつかの方法が存在する。 これらの「古典的」手法に加えて、畳み込みニューラルネットワーク(CNN)が画像年齢を近似するために訓練されるアプローチもある。 CNNの利点の1つは、使用した年齢特性を独立して学習する点である。 これにより、既知のもの(すなわち、フィールド内のセンサー欠陥)に加えて、他の(異なる)年齢トレースを利用することができる。 これまでの研究では、CNNが年齢層を予測することは、強磁場センサ欠陥の存在とは無関係であることが示されている。 この観察に基づいて、デバイス(in)が学習した特徴をどのように依存しているかが問題となる。 本研究では,一つのデバイスからの画像にネットワークをトレーニングし,異なるデバイスからの画像にトレーニングされたモデルを適用することにより,これを実証的に評価する。 この評価は、公開されている「Northumbria Temporal Image Forensics」データベースから10個のデバイスを含む14のデバイスで実施されている。 これら10の異なるデバイスは5つの異なるデバイスペア(すなわち同一のカメラモデル)に基づいている。

関連論文リスト

• Neural Fingerprints for Adversarial Attack Detection [2.7309692684728613]
  ディープラーニングモデルのよく知られた脆弱性は、敵の例に対する感受性である。 この問題に対処するために多くのアルゴリズムが提案され、一般に2つのカテゴリの1つに分類される。 我々は、攻撃者がネットワークと検出器の構成と重みを知っているホワイトボックス環境では、検出器を克服できると主張している。 この問題は、非常に優れたモデルでさえ安全性を確保するのに不十分なセキュリティアプリケーションで一般的である。
  論文  参考訳（メタデータ） (2024-11-07T08:43:42Z)
• Zero-Shot Detection of AI-Generated Images [54.01282123570917]
  AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。 機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。 ZEDは精度の点でSoTAよりも平均3%以上改善されている。
  論文  参考訳（メタデータ） (2024-09-24T08:46:13Z)
• Content Bias in Deep Learning Image Age Approximation: A new Approach Towards better Explainability [4.088355251010862]
  時間画像法医学において、コンテンツバイアスはニューラルネットワークによって利用することができる。 画像コンテンツの影響を評価する新しい手法を提案する。 年齢分類の文脈で提案される深層学習アプローチは,画像内容に大きく依存している可能性が高い。
  論文  参考訳（メタデータ） (2023-10-03T14:09:27Z)
• Detection of Adversarial Physical Attacks in Time-Series Image Data [12.923271427789267]
  本稿では,VGと多数投票法を併用したVG(VisionGuard*)を提案する。 これは、意思決定のためにオンボードセンサーを使用して画像が時間とともに収集される自律システムアプリケーションによって動機付けられている。 我々は、最先端のロバストな物理的攻撃によって生成された、クリーンかつ物理的に攻撃された交通標識のビデオ上で、VG*を評価した。
  論文  参考訳（メタデータ） (2023-04-27T02:08:13Z)
• Deep ensembles in bioimage segmentation [74.01883650587321]
  本研究では,畳み込みニューラルネットワーク(CNN)のアンサンブルを提案する。 アンサンブル法では、多くの異なるモデルが訓練され、分類に使用され、アンサンブルは単一分類器の出力を集約する。 提案するアンサンブルは,DeepLabV3+とHarDNet環境を用いて,異なるバックボーンネットワークを組み合わせることで実現されている。
  論文  参考訳（メタデータ） (2021-12-24T05:54:21Z)
• A Comparison of Deep Saliency Map Generators on Multispectral Data in Object Detection [9.264502124445348]
  本研究は, それらの地図が異なるスペクトル間でどのように異なるかについて, 3つのサリエンシマップ生成法について検討する。 現実的な問題として、我々は自律運転のための赤外線および視覚スペクトルにおける物体検出を選択した。 その結果,赤外線と視覚のアクティベーションマップの違いが判明した。 さらに、赤外線と視覚データの両方による高度なトレーニングは、ネットワークの出力を改善するだけでなく、唾液マップのより焦点を絞ったスポットにもつながります。
  論文  参考訳（メタデータ） (2021-08-26T12:56:49Z)
• Intra-Inter Camera Similarity for Unsupervised Person Re-Identification [50.85048976506701]
  擬似ラベル生成のための新しいカメラ内類似性について検討する。 re-idモデルをカメラ内およびカメラ間擬似ラベルを用いて2段階訓練した。 この単純なinter-inter cameraの類似性は、複数のデータセットで驚くほど優れたパフォーマンスを生み出す。
  論文  参考訳（メタデータ） (2021-03-22T08:29:04Z)
• Data Augmentation for Object Detection via Differentiable Neural Rendering [71.00447761415388]
  注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。 この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。 オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
  論文  参考訳（メタデータ） (2021-03-04T06:31:06Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• A robot that counts like a child: a developmental model of counting and pointing [69.26619423111092]
  実物を数えることができる新しい神経ロボティクスモデルを導入する。 このモデルにより,エンボディメントと数値認識の相互作用を調べることができる。 トレーニングされたモデルは、アイテムのセットをカウントすることができ、同時にそれらを指し示します。
  論文  参考訳（メタデータ） (2020-08-05T21:06:27Z)
• Distractor-Aware Neuron Intrinsic Learning for Generic 2D Medical Image Classifications [30.62607811479386]
  我々は、畳み込みニューラルネットワーク(CNN)が障害的干渉に弱いことを観察する。 本稿では,ニューロン固有の学習手法を提案することで,CNN特徴空間からの逸脱を探索する。 提案手法は最先端のアプローチに対して良好に機能する。
  論文  参考訳（メタデータ） (2020-07-20T09:59:04Z)

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。