Nov, 2023

确定虚假众包图像服务变更的意图

PDF
TL;DR通过服务导向的方法，我们针对众包图像提出了一个新的框架来确定图像是否为伪造，其中使用图像的非功能性属性来识别图像服务的可信度。我们通过改变图像的语义来估计底层变化的意图，并通过实验表明，在一个大规模的真实数据集上具有很高的准确性。
发现论文，激发创造
  • 利用图像和文本的联合嵌入进行多媒体语义完整性评估

    本文提出了一种基于深度学习的、用于评估包含图像和标题的多媒体包的语义完整性的方法，这样可以检测包的操纵，他们利用一个引用数据集创建图像和标题的联合嵌入，并提供了图像 - 标题一致性得分。作者们还提出了 MultimodAl 数据操纵数据集 (MAIM)，用来验证这种方法的性能。在检测语义不一致的媒体包方面，本方法的 F1 得分分别为 0.75、0.89 和 0.94。

    Jul, 2017

  • 探索篡改检测中的显著性偏见

    通过分析流行的图像操纵数据集中的视觉和语义显著趋势及其对检测的影响，我们提出了一个框架，以促进语义感知的法庭取证方法的进一步发展，从而了解视觉误导现象。

    Feb, 2024

  • 揭示真相：探索虚假图像中的人类注视模式

    通过人类语义知识和眼动实验研究假图像检测的可能性，结果显示人们在感知伪造样本时倾向于关注图像的更局部区域，与观看真实图像时更分散的观察模式形成对比。

    Mar, 2024

  • 评估虚假新闻传播者的意图：“这是假的！分享不小心

    本文旨在评估假新闻传播者的意图，通过研究假新闻无意传播的心理解释，提出一个影响图模型来区分有意和无意传播，并显示所评估的意图可以帮助明显区分有意和无意传播假新闻，估计的意图可以显著提高当前检测假新闻的技术。

    Feb, 2022

  • Intentonomy：一项旨在人类意图理解的数据集和研究

    本文研究了社交媒体图像背后的意图，并提出了一个意图数据集：Intentonomy，该数据集由人工注释的 28 个意图类别组成，研究了常见的视觉信息、文本信息，以及纯文本信息在意图分类器中的贡献。通过量化实验结果，本文发现视觉和文本信息对人类意图理解有明显的作用。

    Nov, 2020

  • 社交媒体中图片在分析声明中的作用

    本文通过分析图像、文本和多模型检测虚假新闻，特别是使用变形金刚模型的文本和多模型对索赔和阴谋检测任务的作用，确定图像在虚假新闻检测中的作用。

    Mar, 2021

  • 事实核查与伪造图片：确认有关图像的声明

    本研究致力于解决社交媒体和 Web 网站中虚假声称的爆炸性增长所带来的手动事实检查的挑战。该研究新建了数据集并探讨了几种特征对声明、图片及二者之间的关系进行建模。最终评估结果显示与基线相比，取得了显著的进展，并发布了数据集以期推动该领域的进一步研究。

    Aug, 2019

  • 基于奖励的不确定性感知深度强化学习用于社交媒体信息意图分析

    通过深度强化学习中的策略梯度算法，本文提出了一种基于主观意见的用户意图分类框架，以有效减少选词数并提高多类准确性识别率。

    Feb, 2023

  • 利用众包数据进行深度主动学习 – 应用于 Alexa 意图学习

    提出了一种使用贝叶斯框架的深度学习模型来主动从定向众包中学习的方法，该方法可以利用低秩结构来学习每个注释者的知识水平，并利用深度学习模型的不确定性和注释者的知识水平来最小化所需的注释和注释者数量。实验表明，与现有技术相比，该框架可以准确地学习注释者的知识水平、推断真实标签，并在模型训练中有效地减少注释数量。

    Mar, 2018

  • 家长和孩子：区分多模态深度伪造图像与自然图像

    本文通过系统研究最新扩散模型生成的虚假图片的真实性，分析其图像的低层特征和用作种子的文本说明的语义作用，并提供了一个新的包含约 600k 张图像的数据集 COCOFake。

    Apr, 2023