AAAIMay, 2022

实用图像复制检测的基准和非对称相似性学习

PDF
TL;DR本文提出了一个特征鲜明的 Image copy detection（图片复制检测）基准测试集，包括添加了具有强扰动性的 hard negative queries，作者进一步阐述了度量学习和 ICD 之间的对称 - 非对称的冲突，并提出了一种新的学习方法：Asymmetrical-Similarity Learning (ASL)，该方法不同于以往度量学习采用的对称距离，它允许两个方向上的相似度（查询图片 <-> 参考图片）彼此不同。ASL 的实验结果表明其在硬负样本图像复制检测上的性能明显优于同类方法。
发现论文，激发创造
  • 2021 图像相似度数据集与挑战

    本文介绍了一个大规模图像相似性检测的新基准（ISC2021），目的是检测查询图像是否是参考样本集（大小为 1 百万） 中任何图像的修改副本，并提供了各种图像变换以模拟出现在社交媒体中的实际问题，以便解决有关虚假信息和不良内容的完整性问题，并根据一组基线方法的性能来校准其难度，预计该基准将促进图像拷贝检测。

    Jun, 2021

  • 使用大型内存库和负嵌入子集的对比学习，实现准确的抄袭检测

    本文中，我们用对比学习的方法，通过训练卷积神经网络 (copy detection)，实现了对于图片是否为数据库中任何图片的修改副本进行检测，并提出了负嵌入减法 (negative embedding subtraction) 来进一步提高检测准确性，并在 Facebook AI Image Similarity Challenge 中获得了第一名。

    Dec, 2021

  • 一种用于图像复制检测的自监督描述符

    本论文介绍了一种基于自监督对比训练目标的模型 SSCD，提出了熵正则化项以改进拷贝检测准确性，成功应用于实际网络规模应用中并被证明在各种设置下优于基线模型和自监督架构。

    Feb, 2022

  • 内省式深度度量学习

    该论文提出了一种基于内省的深层度量学习框架，用于对图像进行不确定性感知的比较，该框架使用语义嵌入和不确定性嵌入来表示图像的特征以及模糊程度，并使用内省相似性度量来进行图像的相似度比较，取得了在图像检索和分类任务中的最先进性能。

    May, 2022

  • 2023 视频相似性数据集与挑战

    该研究介绍了一个视频复制检测和定位的数据集、基准和挑战，该基准旨在评估方法，模拟真实场景，并提出了一个同时反映检测和定位精度的度量标准。相关的挑战包括两个对应的跟踪器，通过实现代码可供评估和基线，并公开了数据集、基线方法和评估代码，将在专门的 CVPR’23 研讨会上讨论。

    Jun, 2023

  • ISD: 迭代相似性蒸馏的自监督学习

    通过对自我监督学习中的对比学习方法进行改进，引入了一种使用负样本的软相似度而不是二进制关系的无监督学习算法，可更好地处理不平衡的无标签数据并获得与最先进模型类似的结果。

    Dec, 2020

  • 用于少样本学习的非对称分布度量

    提出了一种新颖的基于度量的小样本学习方法，即使用不对称分布度量、局部和全局不对称度量和对比度量策略的非对称分布度量网络 (ADM)，在 miniImageNet 和 tieredImageNet 等数据集上分别实现了 5-way 1-shot 任务上的 3.02% 和 1.56% 的精度提升。

    Feb, 2020

  • 自省式深度度量学习

    本研究提出一种内省型深度度量学习（IDML）框架，用于对图像进行不确定性感知的比较。通过不仅使用语义嵌入还使用伴随的不确定性嵌入来表示图像，该框架改进了深度度量学习的性能，并在图像检索和聚类等任务上取得了最先进的结果。

    Sep, 2023

  • 挑战性图像篡改检测的新基准和模型

    数字鉴证中，检测多媒体数据操纵的能力至关重要。我们提出了一个新的具有高质量注释的两个子集的具有挑战性的图像操纵检测基准数据集，同时基于 HRNet 提出了一个新的双分支网络模型，能在挑战条件下更好地检测图像编辑和压缩伪影。我们的模型在该基准数据集上的大量实验证明其在图像操纵检测方面明显优于目前最先进的方法。

    Nov, 2023

  • AnyPattern：朝向上下文中的图像复制检测

    通过使用新的篡改模式的图像副本对，无需额外训练，在上下文中学习进行图像副本检测（ICD）的这篇论文探索了在推断时使用的使用这些上下文的 ICD 模型提取重复的图像。

    Apr, 2024