Manipulation Detection in Satellite Images Using Vision Transformer 제1부
Manipulation Detection in Satellite Images Using Vision Transformer
Manipulation 조작
비전 트랜스포머를 이용한 위성영상 조작감지
1. Abstract
A growing number of commercial satellite companies provide easily accessible satellite imagery.
점점 더 많은 상업용 위성 회사에서 쉽게 액세스할 수 있는 위성 이미지를 제공합니다.
Overhead imagery is used by numerous industries including agriculture, forestry, natural disaster analysis, and meteorology.
오버헤드 이미지는 농업, 임업, 자연 재해 분석 및 기상학을 비롯한 다양한 산업에서 사용됩니다.
Satellite images, just as any other images, can be tampered with image manipulation tools.
다른 이미지와 마찬가지로 위성 이미지는 이미지 조작 도구로 변조될 수 있습니다.
Manipulation detection methods created for images captured by “consumer cameras” tend to fail when used on satellite images due to the differences in image sensors, image acquisition, and processing.
"소비자 카메라"로 캡처한 이미지에 대해 생성된 조작 감지 방법은 이미지 센서, 이미지 획득 및 처리의 차이로 인해 위성 이미지에 사용할 때 실패하는 경향이 있습니다.
In this paper we propose an unsupervised technique that uses a Vision Transformer to detect spliced areas within satellite images.
본 논문에서는 위성 이미지 내에서 분할된 영역을 감지하기 위해 비전 트랜스포머를 사용하는 비지도 기술을 제안한다.
We introduce a new dataset which includes manipulated satellite images that contain spliced objects.
접합된 개체를 포함하는 조작된 위성 이미지를 포함하는 새로운 데이터 세트를 소개합니다.
We show that our proposed approach performs better than existing unsupervised splicing detection techniques.
우리는 제안한 접근 방식이 기존의 감독되지 않은 접합 탐지 기술보다 더 나은 성능을 보인다는 것을 보여줍니다.
6. Conclusion
In this paper, we introduce an unsupervised splicing detection technique for detecting spliced objects in overhead images.
본 논문에서는 오버헤드 영상에서 접합된 물체를 검출하기 위한 비지도 접합 검출 기법을 소개한다.
This technique uses Vision Transformer trained to localize manipulated areas.
이 기술은 조작된 영역을 현지화하도록 훈련된 Vision Transformer를 사용합니다.
We evaluated the performance of our approach on two datasets.
두 데이터 세트에 대한 접근 방식의 성능을 평가했습니다.
From the experiments the proposed method has better performance than previously introduced unsupervised splicing detection techniques.
실험에서 제안한 방법은 이전에 도입된 감독되지 않은 접합 탐지 기술보다 더 나은 성능을 보입니다.
In the future we plan to investigate other Transformer architectures to improve the performance. We also plan to introduce more datasets for evaluating performance.
앞으로 우리는 성능을 향상시키기 위해 다른 Transformer 아키텍처를 조사할 계획입니다. 또한 성능 평가를 위해 더 많은 데이터 세트를 도입할 계획입니다.
2. Introduction
The exponentially growing number of commercial satellites orbiting the Earth generate an enormous amount of imagery.
지구를 도는 상업용 위성의 수가 기하급수적으로 증가하면서 엄청난 양의 이미지가 생성됩니다.
A large variety of applications makes use of satellite imagery, including agricultural crop classification [19, 46], scene classification [10, 42], wildlife monitoring [14, 20], forest characterization [22, 33], meteorological analysis [31, 39], infrastructure levels assessment, building localization [17, 38], and soil moisture estimation [16, 18].
농작물 분류[19, 46], 장면 분류[10, 42], 야생 동물 모니터링[14, 20], 산림 특성화[22, 33], 기상 분석[31, 39], 기반 시설 수준 평가, 건물 현지화 [17, 38], 토양 수분 평가 [16, 18].
Popular image editing tools, such as GIMP or Photoshop, can easily alter or manipulate satellite images. Figure 1 shows some examples of manipulated satellite images.
GIMP 또는 Photoshop과 같은 인기 있는 이미지 편집 도구는 위성 이미지를 쉽게 변경하거나 조작할 수 있습니다. 그림 1은 조작된 위성 이미지의 몇 가지 예를 보여줍니다.
Advances in machine learning have simplified the process of manipulating images and even creating highly-realistic “fake” images [26, 56]. Several altered satellite images have been used to spread misinformation on the Internet.
머신 러닝의 발전은 이미지 조작 프로세스를 단순화하고 매우 사실적인 "가짜" 이미지를 생성하기까지 했습니다[26, 56]. 여러 개의 변조된 위성 이미지가 인터넷에 잘못된 정보를 퍼뜨리는 데 사용되었습니다.
Some examples include the Malaysian flight incident over Ukraine [29], the images of fake Chinese bridges [15], the Australian bushfires [43], and the Diwali Festival nighttime flyovers over India [5].
몇 가지 예로는 우크라이나 상공의 말레이시아 비행 사건[29], 가짜 중국 다리의 이미지[15], 호주 산불[43], 인도 상공의 디왈리 축제 야간 비행[5] 등이 있습니다.
