Copy-Move Detection in Optical Microscopy: A Segmentation Network and A Dataset

要約

学術不正の暴露が増えるにつれ、生物医学分野における偽造実験画像の検出が社会の関心事となっています。
課題は、コピー移動ターゲットには背景組織、小さな前景オブジェクト、またはその両方が含まれる可能性があり、これらはトレーニング ドメインの外にあり、目に見えない攻撃を受ける可能性があり、標準的なオブジェクト検出ベースのアプローチの効果が低下する可能性があるという事実にあります。
これに対処するために、我々は生物医学的なコピームーブ偽造領域を検出する問題を画像内共顕著性検出タスクとして再定式化し、目に見えない重複領域を識別できるコピームーブ偽造セグメンテーションネットワークであるCMSeg-Netを提案します。
マルチ解像度エンコーダ/デコーダ アーキテクチャに基づいて構築された CMSeg-Net には、自己相関モジュールと相関支援型空間注意モジュールが組み込まれており、各観測スケールで特徴テンソル内の画像内の局所的類似性を検出します。
この設計は、複雑な顕微鏡画像内の小さなコピー移動ターゲットであっても、他の同様のオブジェクトから区別するのに役立ちます。
さらに、ICIP 2022 Challenge のオープンデータを使用して、CMSeg-Net の開発をサポートし、そのパフォーマンスを検証するために、FakeParaEgg という名前の光学顕微鏡画像のコピームーブ偽造データセットを作成しました。
広範な実験により、FakeParaEgg データセットや、CASIA-CMFD、CoMoFoD、CMF などの他のオープンなコピー移動検出データセットに対して、私たちのアプローチが以前の最先端の方法よりも優れていることが実証されました。
FakeParaEgg データセット、ソース コード、および手動で定義したセグメンテーションのグラウンド トゥルースを含む CMF データセットは、「https://github.com/YoursEver/FakeParaEgg」で入手できます。

要約(オリジナル)

With increasing revelations of academic fraud, detecting forged experimental images in the biomedical field has become a public concern. The challenge lies in the fact that copy-move targets can include background tissue, small foreground objects, or both, which may be out of the training domain and subject to unseen attacks, rendering standard object-detection-based approaches less effective. To address this, we reformulate the problem of detecting biomedical copy-move forgery regions as an intra-image co-saliency detection task and propose CMSeg-Net, a copy-move forgery segmentation network capable of identifying unseen duplicated areas. Built on a multi-resolution encoder-decoder architecture, CMSeg-Net incorporates self-correlation and correlation-assisted spatial-attention modules to detect intra-image regional similarities within feature tensors at each observation scale. This design helps distinguish even small copy-move targets in complex microscopic images from other similar objects. Furthermore, we created a copy-move forgery dataset of optical microscopic images, named FakeParaEgg, using open data from the ICIP 2022 Challenge to support CMSeg-Net’s development and verify its performance. Extensive experiments demonstrate that our approach outperforms previous state-of-the-art methods on the FakeParaEgg dataset and other open copy-move detection datasets, including CASIA-CMFD, CoMoFoD, and CMF. The FakeParaEgg dataset, our source code, and the CMF dataset with our manually defined segmentation ground truths available at “https://github.com/YoursEver/FakeParaEgg”.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google