論文の概要: Maximize margins for robust splicing detection
- arxiv url: http://arxiv.org/abs/2508.00897v1
- Date: Mon, 28 Jul 2025 08:20:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 20:32:48.669013
- Title: Maximize margins for robust splicing detection
- Title(参考訳): 頑健なスプライシング検出のための最大マージン
- Authors: Julien Simon de Kergunic, Rony Abecidan, Patrick Bas, Vincent Itier,
- Abstract要約: 同じ深いアーキテクチャは、学習した重みによって、目に見えない後処理に対して、非常に異なる反応を示す。
実験の結果,潜伏縁の分布と後処理画像に一般化する検出器の能力との間には強い相関関係が認められた。
- 参考スコア(独自算出の注目度): 9.462149599416264
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite recent progress in splicing detection, deep learning-based forensic tools remain difficult to deploy in practice due to their high sensitivity to training conditions. Even mild post-processing applied to evaluation images can significantly degrade detector performance, raising concerns about their reliability in operational contexts. In this work, we show that the same deep architecture can react very differently to unseen post-processing depending on the learned weights, despite achieving similar accuracy on in-distribution test data. This variability stems from differences in the latent spaces induced by training, which affect how samples are separated internally. Our experiments reveal a strong correlation between the distribution of latent margins and a detector's ability to generalize to post-processed images. Based on this observation, we propose a practical strategy for building more robust detectors: train several variants of the same model under different conditions, and select the one that maximizes latent margins.
- Abstract(参考訳): 最近のスプライシング検出の進歩にもかかわらず、ディープラーニングベースの法医学ツールは、訓練条件に対する高い感度のため、実際にデプロイすることが困難である。
評価画像に適用された軽度な後処理でさえ、検出性能を著しく低下させ、運用環境での信頼性に関する懸念を生じさせる可能性がある。
本研究は, 分散テストデータに類似した精度が得られたにもかかわらず, 学習重量に応じて, 同じ深層アーキテクチャが非表示後処理に対して非常に異なる反応をすることができることを示す。
この変動は、サンプルが内部でどのように分離されるかに影響を与える訓練によって引き起こされる潜伏空間の違いに起因している。
実験の結果,潜伏縁の分布と後処理画像に一般化する検出器の能力との間には強い相関関係が認められた。
そこで本研究では,より堅牢な検出器を構築するための実用戦略として,異なる条件下で同じモデルの複数の変種を訓練し,潜伏余白を最大化するモデルを選択することを提案する。
関連論文リスト
- RODEO: Robust Outlier Detection via Exposing Adaptive Out-of-Distribution Samples [4.76428036044684]
本稿では,データ中心のアプローチであるRODEOを導入し,ロバストな外乱検出のための効果的な外乱検出手法を提案する。
我々は,OE(outlier exposure)と対人訓練を取り入れることが,この目的に有効な戦略であることを示す。
我々は,我々の適応型OE法が「多様」および「ほぼ分布」のアウトリーチを効果的に生成できることを定量的かつ定性的に証明した。
論文 参考訳(メタデータ) (2025-01-28T14:13:17Z) - Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。
具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。
そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
論文 参考訳(メタデータ) (2024-08-08T17:20:08Z) - Enhancing Out-of-Distribution Detection with Multitesting-based Layer-wise Feature Fusion [11.689517005768046]
アウト・オブ・ディストリビューション(Out-of-distriion)サンプルは、トレーニング分布と比較して、局所的またはグローバルな特徴の変化を示す可能性がある。
本稿では,新しいフレームワーク,Multitesting-based Layer-wise Out-of-Distribution (OOD) を提案する。
本手法は, ベースライン法と比較して, 分布外検出の性能を効果的に向上させる。
論文 参考訳(メタデータ) (2024-03-16T04:35:04Z) - Benchmarking common uncertainty estimation methods with
histopathological images under domain shift and label noise [62.997667081978825]
リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。
我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。
我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
論文 参考訳(メタデータ) (2023-01-03T11:34:36Z) - Sparsity Agnostic Depth Completion [39.116228971420874]
最先端のアプローチは、入力点の特定の密度と分布を処理する場合にのみ正確な結果が得られる。
私たちのソリューションは、不均一な分布に対して堅牢で、トレーニング中に見たことのない極めて低い密度です。
論文 参考訳(メタデータ) (2022-12-01T18:59:46Z) - Decorrelative Network Architecture for Robust Electrocardiogram
Classification [4.808817930937323]
すべてのシナリオで正確であるネットワークをトレーニングすることはできない。
深層学習法は不確実性を推定するためにモデルパラメータ空間をサンプリングする。
これらのパラメータは、しばしば、敵の攻撃によって悪用される、同じ脆弱性にさらされる。
本稿では,特徴デコレーションとフーリエ分割に基づく新たなアンサンブル手法を提案する。
論文 参考訳(メタデータ) (2022-07-19T02:36:36Z) - ReDFeat: Recoupling Detection and Description for Multimodal Feature
Learning [51.07496081296863]
我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。
本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。
我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
論文 参考訳(メタデータ) (2022-05-16T04:24:22Z) - Benchmarking Deep Models for Salient Object Detection [67.07247772280212]
汎用SALOD(General SALient Object Detection)ベンチマークを構築し,複数のSOD手法の総合的な比較を行った。
以上の実験では、既存の損失関数は、通常いくつかの指標に特化しているが、他の指標には劣る結果が報告されている。
我々は,深層ネットワークに画素レベルと画像レベルの両方の監視信号を統合することにより,より識別的な特徴を学習するためのエッジ・アウェア・ロス(EA)を提案する。
論文 参考訳(メタデータ) (2022-02-07T03:43:16Z) - Revisiting Consistency Regularization for Semi-Supervised Learning [80.28461584135967]
そこで我々は,FeatDistLossというシンプルな手法により,一貫性の規則化を改良したフレームワークを提案する。
実験結果から,本モデルは様々なデータセットや設定のための新しい技術状態を定義する。
論文 参考訳(メタデータ) (2021-12-10T20:46:13Z) - Deep Stable Learning for Out-Of-Distribution Generalization [27.437046504902938]
深層ニューラルネットワークに基づくアプローチは、同様の分布を持つデータとトレーニングデータをテストする際に顕著なパフォーマンスを達成した。
トレーニングとテストデータ間の分散シフトの影響を排除することは、パフォーマンス向上の深層モデルの構築に不可欠です。
トレーニングサンプルの学習重みによる特徴間の依存関係を除去し,この問題に対処することを提案する。
論文 参考訳(メタデータ) (2021-04-16T03:54:21Z) - Learning perturbation sets for robust machine learning [97.6757418136662]
我々は、潜在空間の制約領域上に設定された摂動を定義する条件生成器を用いる。
学習した摂動集合の質を定量的かつ質的に測定する。
我々は、学習した摂動集合を利用して、敵画像の破損や逆光の変動に対して経験的かつ確実に堅牢なモデルを訓練する。
論文 参考訳(メタデータ) (2020-07-16T16:39:54Z)
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。