論文の概要: Working with Color: How Color Quantization Can Aid Researchers of Problematic Information
- arxiv url: http://arxiv.org/abs/2408.03424v1
- Date: Tue, 6 Aug 2024 20:00:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-08 14:26:26.336746
- Title: Working with Color: How Color Quantization Can Aid Researchers of Problematic Information
- Title（参考訳）: カラーで作業する:カラー量子化は問題情報の研究者にどのように役立つか
- Authors: Nina Lutz, Jordyn W. Padzensky, Joseph S. Schafer,
- Abstract要約: 我々は、問題のある情報キャンペーンから大量の画像を分析するために、幾何学的コンピュータグラフィックスと視覚手法を採用することに目を向ける。
我々は,アメリカ・メキシコ国境におけるオンラインヘイト画像の分析に向けたカラー量子化の実装について,有効事例を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Analyzing large sets of visual media remains a challenging task, particularly in mixed-method studies dealing with problematic information and human subjects. Using AI tools in such analyses risks reifying and exacerbating biases, as well as untenable computational and cost limitations. As such, we turn to adopting geometric computer graphics and vision methods towards analyzing a large set of images from a problematic information campaign, in conjunction with human-in-the-loop qualitative analysis. We illustrate an effective case of this approach with the implementation of color quantization towards analyzing online hate image at the US-Mexico border, along with a historicist trace of the history of color quantization and skin tone scales, to inform our usage and reclamation of these methodologies from their racist origins. To that end, we scaffold motivations and the need for more researchers to consider the advantages and risks of reclaiming such methodologies in their own work, situated in our case study.
- Abstract（参考訳）: 大規模なビジュアルメディアの分析は依然として困難な課題であり、特に問題のある情報や人的対象を扱う混合手法の研究においてである。
このような分析にAIツールを使用することで、バイアスの修正と悪化、および計算とコストの制限が抑制される。
そこで我々は,問題のある情報キャンペーンから大量の画像を分析するための幾何学的コンピュータグラフィックスと視覚手法を,人間のループ内定性解析と組み合わせて導入する。
本稿は,米国・メキシコ国境におけるオンラインヘイト画像分析へのカラー量子化の導入と,カラー量子化とスキントーンスケールの歴史のヒストリスティックな痕跡について述べる。
そのために,本研究では,このような方法論を自らの作業で再利用するメリットやリスクを,より多くの研究者が考慮し,モチベーションを足場とした。
関連論文リスト
- GalleryGPT: Analyzing Paintings with Large Multimodal Models [64.98398357569765]
美術品の分析は、個人の審美性を豊かにし、批判的思考能力を促進することができる芸術鑑賞のための重要かつ基本的な技術である。
アートワークを自動解析する以前の作業は、主に分類、検索、その他の単純なタスクに焦点を当てており、AIの目標とは程遠い。
LLaVAアーキテクチャに基づいて微調整されたGalleryGPTと呼ばれる,絵画解析のための優れた大規模マルチモーダルモデルを提案する。
論文 参考訳（メタデータ） (2024-08-01T11:52:56Z) - Information Theoretic Text-to-Image Alignment [49.396917351264655]
本稿では,ステア画像生成のための情報理論アライメント尺度を用いた新しい手法を提案する。
提案手法は最先端の手法よりも優れているが,MIを推定するためには事前学習されたデノナイジングネットワークを必要としない。
論文 参考訳（メタデータ） (2024-05-31T12:20:02Z) - Blind Data Adaptation to tackle Covariate Shift in Operational Steganalysis [9.565324766070407]
Image Steganographyにより、個人は疑念を喚起することなく、デジタル画像に違法な情報を隠すことができる。
内因性コミュニケーションのための操作画像の検出を可能にする効果的なステガナリシス法を開発することが重要である。
ステガナリシスにおける特定の目標に沿ったソースをエミュレートする新しい手法であるTADを開発した。
論文 参考訳（メタデータ） (2024-05-27T08:55:22Z) - Reimagining Reality: A Comprehensive Survey of Video Inpainting
Techniques [6.36998581871295]
ビデオ・インペイント(英: Video inpainting)とは、ビデオ・シーケンスの欠落や破損した部分を再生または埋めるプロセスである。
本研究は, 主要な技術, その基盤となる理論, 有効利用を分解する。
我々は、視覚的品質を評価するために人間中心のアプローチを採用し、異なる映像塗装技術の出力を評価するためにアノテータのパネルを登録する。
論文 参考訳（メタデータ） (2024-01-31T14:41:40Z) - Fairness meets Cross-Domain Learning: a new perspective on Models and
Metrics [80.07271410743806]
クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。
いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。
本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
論文 参考訳（メタデータ） (2023-03-25T09:34:05Z) - Tuning computer vision models with task rewards [88.45787930908102]
モデル予測と意図された使用法とのミスは、コンピュータビジョンモデルの展開に有害である。
自然言語処理では、モデルとタスク報酬を整合させる強化学習技術を用いて、この問題に対処することが多い。
我々はこのアプローチを採用し、オブジェクト検出、汎視的セグメンテーション、着色、画像キャプションなど、複数のコンピュータビジョンタスクにまたがる驚くべき効果を示す。
論文 参考訳（メタデータ） (2023-02-16T11:49:48Z) - An Analysis of Generative Methods for Multiple Image Inpainting [4.234843176066354]
塗り絵は、観察者が検出できない方法で、欠落した領域のイメージを復元することを指す。
我々は,多彩なインペイントのための学習に基づく画像補完手法に着目する。
論文 参考訳（メタデータ） (2022-05-04T15:54:08Z) - Deep Image Deblurring: A Survey [165.32391279761006]
低レベルのコンピュータビジョンにおいて、デブロアリングは古典的な問題であり、ぼやけた入力画像からシャープなイメージを復元することを目的としている。
近年のディープラーニングの進歩は、この問題の解決に大きな進歩をもたらした。
論文 参考訳（メタデータ） (2022-01-26T01:31:30Z) - How can we learn (more) from challenges? A statistical approach to
driving future algorithm development [1.0690055408831725]
本稿では,課題から学習し,腹腔鏡ビデオにおけるインスタンスセグメンテーションの具体的タスクをインスタンス化する統計フレームワークを提案する。
2,728枚の画像から51,542個のメタデータを抽出し,ロバスト・メディカル・インスツルメンツ・チャレンジ(ROBUST-MIS)の結果に適用した。
提案手法の開発は,従来の手法が失敗する傾向にあった画像の処理において,最先端の総合的性能と具体的な強みを有する深層学習モデルを得た。
論文 参考訳（メタデータ） (2021-06-17T08:12:37Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Guided interactive image segmentation using machine learning and color
based data set clustering [0.16683739531034203]
本稿では,スーパーボクセルを用いた機械学習によるインタラクティブな画像セグメント化と,大規模データセットにおける類似色画像の自動識別のためのクラスタリング手法を組み合わせた新しい手法を提案する。
本手法は, 生体画像や医用画像に有意な色変化が生じ, しばしば避けられない問題を解消する。
論文 参考訳（メタデータ） (2020-05-15T17:25:48Z)
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。