Компьютерные науки > Компютерное видение и распознавание моделей [представлено 29 июня 2025 года (v1), последний пересмотренный вариант от 8 октября 2026 года (эта версия, v3)] Название: DDL: A Крупный набор данных для глубокого обнаружения и локализации в диверсифицированных реальных сценариях Взгляды PDF HTML (экспериментальное) резюме. Несмотря на то, что существующие модели глубокого обнаружения свидетельствуют о выдающихся результатах в показателях обнаружения, большинство методов дают лишь простые результаты двоичной классификации, не имеющие интерпретируемости. В ходе недавних исследований предпринимались попытки повысить интерпретируемость результатов классификации путем создания масок для пространственного манипуляции или временных сегментов подделки. Однако из-за ограниченности подделок данных практическая эффективность этих методов остается неоптимальной. Основная причина заключается в том, что большинство существующих глубоких наборов данных содержат только двоичные этикетки с ограниченным разнообразием сценариев подделки, недостаточным разнообразием в глубоко ненадлежащих типах и относительно небольшим масштабом данных, что делает их неадекватными для сложных реальных сценариев. Для решения этой проблемы мы создаем новый набор данных о крупномасштабном глубоком обнаружении и локализации (DDL), содержащий поддельные образцы 1,4M+ и включающий 80 различных глубоких методов. В проект DDL включены четыре ключевых новшества: 1) комплексные методы глубокой фальшивки…
DDL: Большой набор данных для глубокого обнаружения и локализации в диверсифицированных реальных сценариях мира
arXiv: 25006.23292v3 Тип уведомления: заменить резюме: последние достижения в рамках АИГК усугубили злоупотребление злонамеренным глубоким содержанием, сделав разработку надежных методов глубокого обнаружения важным средством решения этой проблемы. Несмотря на то, что существующие модели глубокого обнаружения свидетельствуют о выдающихся результатах в показателях обнаружения, большинство методов дают лишь простые результаты двоичной классификации, не имеющие интерпретируемости. В ходе недавних исследований предпринимались попытки повысить интерпретируемость результатов классификации путем создания масок для пространственного манипуляции или временных сегментов подделки. Однако из-за ограниченности подделок данных практическая эффективность этих методов остается неоптимальной. Основная причина заключается в том, что большинство существующих глубоких наборов данных содержат только двоичные этикетки с ограниченным разнообразием сценариев подделки, недостаточным разнообразием в глубоко ненадлежащих типах и относительно небольшим масштабом данных, что делает их неадекватными для сложных реальных сценариев. Для решения t
