論文の概要: A Zero-Shot based Fingerprint Presentation Attack Detection System
- arxiv url: http://arxiv.org/abs/2002.04908v1
- Date: Wed, 12 Feb 2020 10:52:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 19:56:42.040856
- Title: A Zero-Shot based Fingerprint Presentation Attack Detection System
- Title（参考訳）: ゼロショット指紋提示攻撃検出システム
- Authors: Haozhe Liu, Wentian Zhang, Guojie Liu and Feng Liu
- Abstract要約: PADモデルの一般化を保証するため,新しいゼロショット提示検出モデルを提案する。
生成モデルに基づくZSPADモデルでは, 確立過程において負のサンプルを一切利用しない。
本論文では,提案モデルの性能向上のために,9つの信頼性スコアについて論じる。
- 参考スコア（独自算出の注目度）: 8.676298469169174
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the development of presentation attacks, Automated Fingerprint
Recognition Systems(AFRSs) are vulnerable to presentation attack. Thus,
numerous methods of presentation attack detection(PAD) have been proposed to
ensure the normal utilization of AFRS. However, the demand of large-scale
presentation attack images and the low-level generalization ability always
astrict existing PAD methods' actual performances. Therefore, we propose a
novel Zero-Shot Presentation Attack Detection Model to guarantee the
generalization of the PAD model. The proposed ZSPAD-Model based on generative
model does not utilize any negative samples in the process of establishment,
which ensures the robustness for various types or materials based presentation
attack. Different from other auto-encoder based model, the Fine-grained Map
architecture is proposed to refine the reconstruction error of the auto-encoder
networks and a task-specific gaussian model is utilized to improve the quality
of clustering. Meanwhile, in order to improve the performance of the proposed
model, 9 confidence scores are discussed in this article. Experimental results
showed that the ZSPAD-Model is the state of the art for ZSPAD, and the MS-Score
is the best confidence score. Compared with existing methods, the proposed
ZSPAD-Model performs better than the feature-based method and under the
multi-shot setting, the proposed method overperforms the learning based method
with little training data. When large training data is available, their results
are similar.
- Abstract（参考訳）: プレゼンテーション攻撃の発展に伴い、自動指紋認識システム(AFRS)はプレゼンテーション攻撃に対して脆弱である。
したがって, afrs の正規利用を保証するため, プレゼンテーションアタック検出(pad) の手法が多数提案されている。
しかし,大規模なプレゼンテーションアタック画像の要求と低レベルの一般化能力は,既存のpad法の性能を常に制限している。
そこで本研究では,PADモデルの一般化を保証するため,ゼロショット提示検出モデルを提案する。
生成モデルに基づくZSPADモデルでは,構成過程において負のサンプルを一切利用しないため,様々なタイプや材料による提示攻撃に対する堅牢性が保証される。
他のオートエンコーダベースモデルとは異なり、オートエンコーダネットワークの再構成誤差を改善するためのファイングラニュラーマップアーキテクチャを提案し、タスク固有ガウスモデルを用いてクラスタリングの品質を向上させる。
一方,提案モデルの性能向上のために,本論文では9つの信頼性スコアについて論じる。
実験結果から,ZSPADモデルがZSPADの最先端技術であり,MSスコアが最高の信頼性スコアであることがわかった。
既存の手法と比較して,提案手法は特徴ベース法よりも優れており,マルチショット設定では学習ベース法をほとんど学習データで上回っている。
大規模なトレーニングデータが利用できる場合、結果は似ている。
関連論文リスト
- Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。
私たちのフレームワークは、3つの新しい目標のファミリーにつながります。
Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
論文 参考訳（メタデータ） (2024-10-10T17:18:30Z) - Towards Trustworthy Web Attack Detection: An Uncertainty-Aware Ensemble Deep Kernel Learning Model [4.791983040541727]
本稿では,Web攻撃を検出するために,不確実性を意識したEnsemble Deep Kernel Learning(UEDKL)モデルを提案する。
提案したUEDKLは、ディープカーネル学習モデルを用いて、通常のHTTPリクエストと異なるタイプのWeb攻撃を区別する。
BDCIとSRBHデータセットの実験により、提案したUEDKLフレームワークは、Web攻撃検出性能と不確実性推定品質の両方に大きな改善をもたらすことが示された。
論文 参考訳（メタデータ） (2024-10-10T08:47:55Z) - Adversarial Robustification via Text-to-Image Diffusion Models [56.37291240867549]
アドリラルロバスト性は、ニューラルネットワークをエンコードする難しい性質として伝統的に信じられてきた。
データを使わずに敵の堅牢性を実現するために,スケーラブルでモデルに依存しないソリューションを開発した。
論文 参考訳（メタデータ） (2024-07-26T10:49:14Z) - Importance of Disjoint Sampling in Conventional and Transformer Models for Hyperspectral Image Classification [2.1223532600703385]
本稿では、ハイパースペクトル画像分類(HSIC)タスク上でSOTAモデルをトレーニングするための革新的な不整合サンプリング手法を提案する。
重なりのないトレーニング,検証,テストデータを分離することにより,提案手法は,トレーニングや検証中に露出していないピクセルをどの程度正確に分類できるかを,より公平に評価することができる。
この厳密な手法は、SOTAモデルの発展と、ハイパースペクトルセンサーを用いた大規模陸地マッピングへの実際の応用に欠かせない。
論文 参考訳（メタデータ） (2024-04-23T11:40:52Z) - OMG-ATTACK: Self-Supervised On-Manifold Generation of Transferable
Evasion Attacks [17.584752814352502]
Evasion Attacks (EA) は、入力データを歪ませることで、トレーニングされたニューラルネットワークの堅牢性をテストするために使用される。
本稿では, 自己教師型, 計算的経済的な手法を用いて, 対逆例を生成する手法を提案する。
我々の実験は、この手法が様々なモデル、目に見えないデータカテゴリ、さらには防御されたモデルで有効であることを一貫して実証している。
論文 参考訳（メタデータ） (2023-10-05T17:34:47Z) - Consistency Regularization for Generalizable Source-free Domain
Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。
既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。
より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-03T07:45:53Z) - Boosting Out-of-Distribution Detection with Multiple Pre-trained Models [41.66566916581451]
事前訓練されたモデルを用いたポストホック検出は有望な性能を示し、大規模にスケールできる。
本稿では,事前訓練されたモデルの動物園から抽出した複数の検出決定をアンサンブルすることで,検出強化手法を提案する。
CIFAR10 と ImageNet のベンチマークでは, 相対性能を 65.40% と 26.96% で大幅に改善した。
論文 参考訳（メタデータ） (2022-12-24T12:11:38Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T08:24:50Z) - CARLA-GeAR: a Dataset Generator for a Systematic Evaluation of
Adversarial Robustness of Vision Models [61.68061613161187]
本稿では,合成データセットの自動生成ツールであるCARLA-GeARについて述べる。
このツールは、Python APIを使用して、CARLAシミュレータ上に構築されており、自律運転のコンテキストにおいて、いくつかのビジョンタスク用のデータセットを生成することができる。
本稿では,CARLA-GeARで生成されたデータセットが,現実世界の敵防衛のベンチマークとして今後どのように利用されるかを示す。
論文 参考訳（メタデータ） (2022-06-09T09:17:38Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳（メタデータ） (2020-12-17T15:19:29Z) - Unseen Face Presentation Attack Detection Using Class-Specific Sparse
One-Class Multiple Kernel Fusion Regression [15.000818334408802]
本論文は、目に見えない攻撃シナリオの困難な状況下での顔提示攻撃検出に対処する。
カーネル回帰に基づく一級顔提示攻撃検出手法を開発した。
論文 参考訳（メタデータ） (2019-12-31T11:53:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。