論文の概要: AI-Based Copyright Detection Of An Image In a Video Using Degree Of Similarity And Image Hashing
- arxiv url: http://arxiv.org/abs/2407.09504v1
- Date: Fri, 14 Jun 2024 09:47:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 13:38:25.551220
- Title: AI-Based Copyright Detection Of An Image In a Video Using Degree Of Similarity And Image Hashing
- Title（参考訳）: 類似度と画像ハッシュの度合いを利用したAIによる画像の著作権検出
- Authors: Ashutosh, Rahul Jashvantbhai Pandya,
- Abstract要約: 報告では、著作権のある画像の利用を識別する戦略が計画されている。
それでもわれわれは、著作権のある画像をビデオに含めるという問題を解決したい。
機械学習(ML)と人工知能(AI)は、この問題に対処するために不可欠である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The expanse of information available over the internet makes it difficult to identify whether a specific work is a replica or a duplication of a protected work, especially if we talk about visual representations. Strategies are planned to identify the utilization of the copyrighted image in a report. Still, we want to resolve the issue of involving a copyrighted image in a video and a calculation that could recognize the degree of similarity of the copyrighted picture utilized in the video, even for the pieces of the video that are not featured a lot and in the end perform characterization errands on those edges. Machine learning (ML) and artificial intelligence (AI) are vital to address this problem. Numerous associations have been creating different calculations to screen the identification of copyrighted work. This work means concentrating on those calculations, recognizing designs inside the information, and fabricating a more reasonable model for copyrighted image classification and detection. We have used different algorithms like- Image Processing, Convolutional Neural Networks (CNN), Image hashing, etc. Keywords- Copyright, Artificial Intelligence(AI), Copyrighted Image, Convolutional Neural Network(CNN), Image processing, Degree of similarity, Image Hashing.
- Abstract（参考訳）: インターネット上で利用可能な情報の拡大は、特に視覚的な表現について語る場合、特定の作品が複製なのか、保護された作品の複製なのかを特定するのを難しくする。
報告では、著作権のある画像の利用を識別する戦略が計画されている。
それでも私たちは、ビデオに著作権付き画像を取り込むという問題と、ビデオで使われている著作権付き画像の類似度を認識できる計算を解決したいと考えています。
機械学習(ML)と人工知能(AI)は、この問題に対処するために不可欠である。
多くの協会が著作権のある作品の識別を検査するために異なる計算を作成している。
この作業は、これらの計算に集中し、情報の内部のデザインを認識し、著作権のある画像分類と検出のためのより合理的なモデルを作成することを意味する。
私たちは、画像処理、畳み込みニューラルネットワーク(CNN)、画像ハッシュなど、さまざまなアルゴリズムを使用しています。
キーワード-著作権、人工知能(AI)、著作権付きイメージ、畳み込みニューラルネットワーク(CNN)、画像処理、類似性の度合い、画像ハッシュ。
関連論文リスト
- A Generative Approach for Wikipedia-Scale Visual Entity Recognition [56.55633052479446]
与えられたクエリ画像をWikipediaにある600万の既存エンティティの1つにマッピングするタスクに対処する。
本稿では,対象エンティティを識別する「意味的・識別的コード」の自動復号化を学習する,新しい生成エンティティ認識フレームワークを紹介する。
論文 参考訳（メタデータ） (2024-03-04T13:47:30Z) - A Dataset and Benchmark for Copyright Infringement Unlearning from Text-to-Image Diffusion Models [52.49582606341111]
著作権法は、クリエイティブ作品を再生、配布、収益化する排他的権利をクリエイターに与えている。
テキスト・ツー・イメージ・ジェネレーションの最近の進歩は、著作権の執行に重大な課題をもたらしている。
CLIP、ChatGPT、拡散モデルを調和させてデータセットをキュレートする新しいパイプラインを導入する。
論文 参考訳（メタデータ） (2024-01-04T11:14:01Z) - CopyScope: Model-level Copyright Infringement Quantification in the
Diffusion Workflow [6.6282087165087304]
著作権侵害の定量化は、AIが生成した画像著作権トレーサビリティへの第一かつ挑戦的なステップである。
モデルレベルからAI生成画像の侵害を定量化する新しいフレームワークであるCopyScopeを提案する。
論文 参考訳（メタデータ） (2023-10-13T13:08:09Z) - Improving Generalization of Image Captioning with Unsupervised Prompt
Learning [63.26197177542422]
画像キャプションの一般化(GeneIC)は、アノテーション付きデータを必要とせずに、ターゲットドメインのドメイン固有のプロンプトベクトルを学習する。
GeneICは、学習済みのContrastive Language-Image Pre-Training (CLIP)モデルと視覚的および言語的モダリティを一致させる。
論文 参考訳（メタデータ） (2023-08-05T12:27:01Z) - A Plug-and-Play Defensive Perturbation for Copyright Protection of
DNN-based Applications [1.4226119891617357]
DNNベースのアプリケーション(スタイル転送)に対する防御的摂動に基づくプラグアンドプレイ見えない著作権保護手法を提案する。
我々は,著作権情報を設計した著作権エンコーダで防御的摂動に投影し,保護対象の画像に追加する。
そして,発明した著作権復号器を用いて,符号化された著作権画像から著作権情報を抽出する。
論文 参考訳（メタデータ） (2023-04-20T23:57:39Z) - There is a Time and Place for Reasoning Beyond the Image [63.96498435923328]
画像は人間の目へのピクセルだけでなく、他のソースからのコンテキスト情報から推論、関連付け、推論して、推論することで、より完全な画像を確立することができる。
我々は、ニューヨーク・タイムズ(NYT)から自動的に抽出された16k画像と関連するニュース、時間、位置のデータセットTARAと、WITから離れた監視対象として追加で61k例を紹介した。
我々は、最先端のジョイントモデルと人間のパフォーマンスの間に70%のギャップがあることを示し、これは、セグメントワイズ推論を用いて高レベルな視覚言語ジョイントモデルを動機づける提案モデルによってわずかに満たされている。
論文 参考訳（メタデータ） (2022-03-01T21:52:08Z) - A Shared Representation for Photorealistic Driving Simulators [83.5985178314263]
本稿では、識別器アーキテクチャを再考することにより、生成画像の品質を向上させることを提案する。
シーンセグメンテーションマップや人体ポーズといったセマンティックインプットによって画像が生成されるという問題に焦点が当てられている。
我々は,意味的セグメンテーション,コンテンツ再構成,および粗い粒度の逆解析を行うのに十分な情報をエンコードする,共有潜在表現を学習することを目指している。
論文 参考訳（メタデータ） (2021-12-09T18:59:21Z) - Experimenting with Self-Supervision using Rotation Prediction for Image
Captioning [0.0]
画像キャプションは、コンピュータビジョンと自然言語処理を融合させる人工知能の分野における課題である。
エンコーダはOpenImagesデータセットに基づいてトレーニングされた畳み込みニューラルネットワーク(CNN)である。
回転プレテキストタスクを用いて,画像の特徴を自己教師付きで学習する。
論文 参考訳（メタデータ） (2021-07-28T00:46:27Z) - Protect, Show, Attend and Tell: Empowering Image Captioning Models with
Ownership Protection [24.50702655120905]
本稿では,現在の電子透かしフレームワークが画像キャプション作業を保護するには不十分であることを実証する。
本稿では,リカレントニューラルネットワークの隠れメモリ状態に2つの異なる埋め込み方式を提案する。
我々の知る限りでは、画像キャプションタスクの所有権保護を最初に提案する作業である。
論文 参考訳（メタデータ） (2020-08-25T13:48:35Z) - Structural-analogy from a Single Image Pair [118.61885732829117]
本稿では,1対の画像A,Bのみを用いて,ニューラルネットワークによる画像構造理解能力について検討する。
我々は、B の外観とスタイルを保持するが、A に対応する構造的配置を持つ画像を生成する。
提案手法は,画像AとBのみを利用した条件生成タスクにおいて,高品質な画像を生成するために利用できる。
論文 参考訳（メタデータ） (2020-04-05T14:51:10Z)
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。