阿里安全 ICDAR2023 挑战赛

最新推荐文章于 2024-10-01 08:25:52 发布
最新推荐文章于 2024-10-01 08:25:52 发布
阅读量487 收藏 1
点赞数
文章标签： 安全
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/2301_76140793/article/details/128593905
版权

【ICDAR2023 挑战赛：篡改文本检测】

🔎阿里安全联合ICDAR、华中科技大学、华南理工大学共同举办

可参与任一任务（可同时参与）

1⃣文本篡改鉴别

2⃣文本篡改定位

🔥19000张文本图片数据集，模拟真实世界文本篡改情况

🔥数据集中的文本图像来源广泛、篡改手段丰富

更有近10万元奖金池、丰富的奖品类型🎁等你来赢

ps.进入复赛的同学人手一份阿里安全定制大礼包 ～

🌟2023年1月3日-2月15日参与报名！

扫码进入赛事群聊，所有报名选手务必进群

所有赛事相关节点通知均会在群内第一时间发布！

赛事链接：https://tianchi.aliyun.com/competition/entrance/532048/introductiond4f754593e8a42e097b5801d4660ebba.jpg

 

知云007
关注
OCR入门教程系列（一）：OCR基础导论
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-01 9万+
📝导读：本系列主要介绍计算机视觉领域OCR文字识别领域技术发展方向，面向深度学习同学，内容总计五章，每章将从OCR技术发展、概念、方法等各种角度展开详细介绍。第一篇介绍OCR概念及发展以及相关数据集，其次列出几种常见的OCR文本检测与文本识别技术，文章最后分享几种开源的OCR平台，后续系列文章将继续介绍OCR相关技术及实战演练。
自研算法提升文本图像篡改检测精度，抖音技术团队获 ICDAR2023 分类赛道冠军...
字节跳动技术团队官方博客
06-14 6890
动手点关注干货不迷路近日，抖音 CV 技术团队在 ICDAR 2023 的“Detecting Tampered Text in Images”比赛中，利用自研的“CAS”算法从 1267 个参赛队伍中脱颖而出，获得分类赛道的第一名。ICDAR（International Conference on Document Analysis and Recognition），是国际文档图像分析和识别领域...
【ICDAR 2023 DSText 竞赛】PP-YOLOE-R方案
m0_63642362的博客
05-05 459
ICDAR 2023 DSText 竞赛是 ICDAR 举办的面向小而密集的文字视频阅读赛事。本项目采用 PP-YOLOE进行检测，SORT算法进行跟踪，MOTA 分数为36.87，排名为 5 名。
An End-to-End Local Attention Based Model for Table Recognition(ICDAR 2023)
mohen_777的博客
10-01 910
本文的主要贡献如下：1.提出在编码器decoder中使用局部注意力local attention机制。2.提出端到端的识别模型，便于训练和推理。3.实验证明了局部注意力机制在表格识别中的有效性。4.提出的方法在基准数据集上达到了state-of-the-art。一句话，局部注意力是利用窗口大小来使解码器更注重那些重要的tokens上。(1).局部注意力的公式以上公式是经典的transformer中的attention权重的计算。
【ICDAR 2023 X 阿里安全】挑战赛正式启动！篡改文本分类和检测两大赛题！
Paper weekly
02-10 690
【ICDAR 2023 X 阿里安全】挑战赛：篡改文本检测这是一场有特色、奖励丰厚的赛事！构建自有数据集，包含超过15000 张电子商务场景图片阿里安全联合华中科技大学、华南理工大学举办近10 万元奖金，数万元丰富奖品，等你来拿！会议介绍ICDAR 会议是文档分析与识别领域国际顶级会议，自 1991 年起每两年举办一次，涵盖了文档分析与识别领域的最新学术成果和前沿应用发展趋势，吸引了该领域全球...
【赛事推荐】ICDAR2023国际学术竞赛，六大OCR未解难题等你来挑战！
我爱计算机视觉
01-07 3823
关注公众号，发现CV技术之美ICDAR（International Conference on Document Analysis and Recognition）是全球文档图像分析识别领域公认的权威学术会议，从1991年起每两年召开一次，今年是第17届，将于2023年9月20-25日在美国加利福尼亚市举行。自2003 年ICDAR 设立“Robust Reading Competitions”系...
阿里天池ICDAR 2023 DTT in Images 1: Text Manipulation Classification（10/1267）
qq_51302564的博客
04-02 1169
天池篡改文本检测task1第10名解决方案
【数据科学赛】ICDAR2023 Competitionon: Detecting Tampered Text in Images #文本篡改检测 #￥87000 #阿里云
CompHub的博客
01-03 1097
CompHub 实时聚合多平台的数据类(Kaggle、天池…)和OJ类(Leetcode、牛客…）比赛。本账号会推送最新的比赛消息，欢迎关注！更多比赛信息见 CompHub主页以下内容摘自比赛主页（点击文末阅读原文进入）ICDAR2023 Competitionon: Detecting Tampered Text in Images阿里天池Texts in images efficiently deliver dense information and become one of the most com
天池ICDAR2023篡改图像检测比赛方案.zip
09-30
"天池ICDAR2023篡改图像检测比赛方案.zip"是一个针对图像篡改检测的竞赛项目，由阿里云天池平台与国际文档分析与识别大会（ICDAR）联合举办。这个比赛旨在推动图像取证技术的发展，提高对数字图像真实性的鉴定能力，...
阿里天池竞赛分享
快乐工作，精彩生活
06-29 5784
        最近参加阿里天池的“网络图像的文本检测”挑战赛，终于结束，最终排名第181，总共是1424只队伍参加。第一次参加机器学习挑战赛，成绩不是很理想，今天把一些体悟写一下，希望对后来参加的人有用。 一、赛题简介在互联网世界中，图片是传递信息的重要媒介。特别是电子商务，社交，搜索等领域，每天都有数以亿兆级别的图像在传播。图片文字识别（OCR）在商业领域有重要的应用价值，是数据信息化和线上线...
IncepText: A New Inception-Text Module
11-08
实验结果显示，IncepText不仅在检测精度上达到了最先进的水平，而且还在ICDAR2015挑战赛中获得了第一名的成绩。此外，该方法在其他数据集上的表现也非常出色。 #### 实际应用 鉴于IncepText在场景文本检测方面的...
高德POI数据生产中的计算机视觉技术
高德技术
03-22 1365
前言：又到春招季！作为国民级出行服务平台，高德业务快速发展，大量校招/社招名额开放，欢迎大家投递简历，详情见文末。为帮助大家更了解高德技术，我们策划了#春招专栏#的系列文章，组织各业务团队...
国际文档分析与识别大会（ICDAR）将于2025年再次在中国召开
我爱计算机视觉
08-22 605
关注公众号，发现CV技术之美正在美国加州San Jose召开的2023年国际文档分析与识别大会上（2023 International Conference on Document Analysis and Recognition, ICDAR 2023），通过宣讲并选举决定，2025年国际文档分析与识别大会（ICDAR 2025）将在中国武汉举办。这是继2011年中国北京举办国际文档分析与识别大...
国际文档分析与识别大会(ICDAR)将于2025年再次在中国召开！
阿木寺的博客
08-22 1736
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【OCR和论文投稿】交流群来源：CSIG文档图像分析与识别专委会正在美国加州San Jose召开的2023年国际文档分析与识别大会上（2023 International Conference on Document Analysis and Recognition, ICDAR 2023），通过宣讲并选举决定，...
图像篡改常用数据集casia
brightendavid的博客
08-28 7836
摘自论文 CASIA IMAGE TAMPERING DETECTION EVALUATION DATABASE 2013年发表的论文。 CASIA 数据集是Institute of Automation, Chinese Academy of Sciences 国人所作，中科院自动化研究所。 就图像篡改数据集而言，是相对其他任务更加容易获得的，单张篡改图像的制作难度很低，但是多样的篡改数据，适合训练的篡改数据难以制作。但是制作数据集的难度还是比较低的。所以会有不少人自己做数据集训练。 CASIA 和C.
掌握AI图像篡改检测工具，轻松识别图片造假
热门推荐
努力让自己发光，对的人才能迎着光而来
07-13 11万+
掌握AI图像篡改检测工具，轻松识别图片造假
图像篡改数据集整理
qq_32678471的博客
11-29 4356
图像篡改数据集和下载链接
HRDA-Net：面向真实场景的图像多篡改检测与定位算法
weixin_70923796的博客
02-18 894
针对主流篡改数据集单幅图像仅包含一类篡改操作，且对真实图像定位存在“伪影”问题，构建面向真实场景的多篡改数据集（MM Dataset），每幅篡改图像包含拼接和移除2种篡改操作。篡改检测和定位任务的特征图基本一致，即可先训练定位模块后冻结参数，再单独训练篡改检测模块，可在不影响定位模块的基础上，让检测模块学会提取检测任务所需特征。在移除篡改操作中，利用。另外，相较于拼接篡改定位，移除篡改定位分数较低，一方面是因为在预训练只使用拼接篡改图像，另一方面是移除篡改的特征相对于拼接篡改来说更难提取。
2021图像篡改阿里天池比赛baseline
WX_Chen的博客
11-01 1129
2021-arXiv-中国人民大学-(MVSS-Net++)MVSS-Net_ Multi-View Multi-Scale Supervised Networks for Image Manipulation Detection。为了兼顾模型在篡改图像检测上的灵敏度和在真实未篡改图像上的特异度，MVSS-Net 一方面利用语义无关的图像噪声分布特征和边界特征实现篡改区域的准确定位，另一方面引入图像级分类损失使得模型可以直接在真实图像上进行学习。MVSS-Net++ 没有开源 To Be Done。
表格识别数据集该怎么选，以及我该如何使用，我是小白
最新发布
03-18
<think>好的，我需要帮用户找到适合表格识别的最佳数据集和使用教程，特别是针对初学者的。首先，我得回忆一下常见的表格识别数据集。PubTables-1M应该是个不错的选择，因为它规模大且标注详细。还有TableBank，这个数据集可能比较适合学术用途，因为它是从文档中提取的。另外，ICDAR的比赛数据集比如2013和2019的，这些通常质量高，但可能对新手来说有些挑战。 接下来要考虑用户是初学者，所以需要推荐一些容易上手的数据集，并且有清晰的教程。可能需要检查一下这些数据集是否有预处理的代码或者示例，比如PubTables-1M有没有配套的代码库或者Jupyter Notebook。同时，用户可能需要知道如何加载数据、预处理步骤以及如何训练模型。 然后，使用教程部分。Kaggle和GitHub上可能有相关的教程或者项目，比如使用PyTorch或TensorFlow的示例代码。比如TableBank的GitHub页面可能有使用说明，或者相关的论文里有代码链接。另外，可以推荐一些深度学习框架的官方文档，比如Hugging Face的Transformers库，如果他们支持表格识别模型的话。 还要考虑用户是否需要从零开始的步骤，比如数据下载、安装依赖库、数据预处理、模型训练和评估。可能需要分步说明，并且提供代码片段，确保代码符合LaTeX格式的要求，用$...$和$$...$$包裹数学表达式。例如，在讲解损失函数时，可能需要用$$L = \frac{1}{n}\sum_{i=1}^n (y_i - \hat{y}_i)^2$$这样的格式。 另外，参考用户提供的引用内容，比如引用[3]提到深度学习入门的问题，可能需要推荐一些学习资源，比如阿里云的AI学习路线或者Qualcomm的AI Hub Models，虽然这些可能更偏向于通用深度学习，但可以结合表格识别的具体应用。 还需要检查是否有相关的优化模型，比如引用[2]提到的Qualcomm AI Hub Models是否有适用于边缘设备的表格识别模型，这样用户可以在部署时参考。 最后，生成相关问题，比如数据集的选择标准、处理非标准表格的方法、评估指标等，帮助用户进一步深入。 现在需要确保回答结构清晰，分点列出数据集和教程，每个部分有简要说明和链接，代码示例正确，并且引用相关的引用内容。同时，避免使用Markdown，用自然的中文表达，符合系统级指令的所有要求。</think>### 表格识别数据集推荐及使用教程 #### 一、最佳数据集推荐 1. **PubTables-1M** 包含超百万张标注表格，覆盖学术论文、商业报告等多种类型，支持表格检测、结构识别和内容提取任务。数据格式为COCO标注，适合直接用于深度学习模型训练[^1]。 2. **ICDAR 2013/2019 Table Competition Dataset** 权威的表格识别比赛数据集，标注包含表格边界、行列结构及内容。2019版新增复杂布局表格，适合研究性项目[^2]。 3. **TableBank** 基于Word/LaTeX文档自动生成的表格数据集，提供超50万张表格图像，标注包含位置和结构信息。适合研究表格布局与内容关联性[^3]。 #### 二、使用教程（以PubTables-1M为例） **步骤1：数据下载与预处理** ```python # 安装依赖库 !pip install pytorch-lightning torchvision # 加载COCO格式标注 from pycocotools.coco import COCO annFile = 'path/to/annotations.json' coco = COCO(annFile) ``` **步骤2：构建数据管道** ```python import torch from torch.utils.data import Dataset class TableDataset(Dataset): def __init__(self, coco, img_dir): self.img_ids = coco.getImgIds() self.img_dir = img_dir def __getitem__(self, idx): img_info = coco.loadImgs(self.img_ids[idx])[0] image = load_image(os.path.join(img_dir, img_info['file_name'])) anns = coco.loadAnns(coco.getAnnIds(imgIds=img_info['id'])) return image, anns ``` **步骤3：模型训练（以Mask R-CNN为例）** ```python import torchvision model = torchvision.models.detection.maskrcnn_resnet50_fpn(pretrained=True) optimizer = torch.optim.SGD(model.parameters(), lr=0.005, momentum=0.9) for epoch in range(10): for images, targets in dataloader: loss_dict = model(images, targets) losses = sum(loss for loss in loss_dict.values()) losses.backward() optimizer.step() ``` **数学公式示例（损失函数）** 分类损失使用交叉熵： $$L_{cls} = -\sum_{c=1}^M y_c \log(p_c)$$ 其中$M$为类别数，$y_c$为真实标签，$p_c$为预测概率[^4]。 #### 三、工具推荐 - **Qualcomm® AI Hub Models**：提供优化后的边缘设备部署方案（GitHub: [ai-hub-models](https://github.com/quic/ai-hub-models)) - **Label Studio**：开源标注工具，支持自定义表格标注模板
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值