論文の概要: Noise Modeling, Synthesis and Classification for Generic Object Anti-Spoofing

• arxiv url: http://arxiv.org/abs/2003.13043v2
• Date: Tue, 31 Mar 2020 16:15:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 13:59:02.088272
• Title: Noise Modeling, Synthesis and Classification for Generic Object Anti-Spoofing
• Title（参考訳）: ジェネリックオブジェクトアンチスプーフィングのノイズモデリング, 合成, 分類
• Authors: Joel Stehouwer, Amin Jourabloo, Yaojie Liu, Xiaoming Liu
• Abstract要約: GOAS(Generic Object Anti-Spoofing)の問題に初めて取り組む。 これらの攻撃を検出するための重要な手がかりの1つは、捕捉センサーとスプーフ媒体によって導入されたノイズパターンである。 本稿では,画像中/センサの組み合わせからノイズパターンを合成し,識別するためのGANアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 26.530310468430038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Using printed photograph and replaying videos of biometric modalities, such as iris, fingerprint and face, are common attacks to fool the recognition systems for granting access as the genuine user. With the growing online person-to-person shopping (e.g., Ebay and Craigslist), such attacks also threaten those services, where the online photo illustration might not be captured from real items but from paper or digital screen. Thus, the study of anti-spoofing should be extended from modality-specific solutions to generic-object-based ones. In this work, we define and tackle the problem of Generic Object Anti-Spoofing (GOAS) for the first time. One significant cue to detect these attacks is the noise patterns introduced by the capture sensors and spoof mediums. Different sensor/medium combinations can result in diverse noise patterns. We propose a GAN-based architecture to synthesize and identify the noise patterns from seen and unseen medium/sensor combinations. We show that the procedure of synthesis and identification are mutually beneficial. We further demonstrate the learned GOAS models can directly contribute to modality-specific anti-spoofing without domain transfer. The code and GOSet dataset are available at cvlab.cse.msu.edu/project-goas.html.
• Abstract（参考訳）: 印刷された写真や虹彩、指紋、顔などの生体特性の再生ビデオは、本物のユーザーとしてアクセスを許可する認識システムを騙すのによく使われる攻撃である。 オンラインの個人対人ショッピング(ebayやcraigslistなど)の増加に伴い、このような攻撃は、実際のアイテムからではなく、紙やデジタルスクリーンからオンラインの写真イラストをキャプチャするサービスにも脅威を与えている。 したがって、アンチスプーフィングの研究はモダリティ固有のソリューションからジェネリックオブジェクトベースのソリューションへと拡張されるべきである。 本研究では,GOAS(Generic Object Anti-Spoofing)の問題を初めて定義し,対処する。 これらの攻撃を検出するための重要な手がかりの1つは、捕捉センサーとスプーフ媒体によって導入されたノイズパターンである。 センサーとナトリウムの組み合わせの違いは、様々なノイズパターンをもたらす。 本稿では,中・センサの組み合わせからノイズパターンを合成し,識別するためのGANアーキテクチャを提案する。 合成と同定の手順は相互に有益であることを示す。 さらに、学習したGOASモデルがドメイン転送なしで、モダリティ固有のアンチ・スプーフィングに直接貢献できることを示す。 コードとGOSetデータセットはcvlab.cse.msu.edu/project-goas.htmlで入手できる。

関連論文リスト

• Imperceptible Face Forgery Attack via Adversarial Semantic Mask [59.23247545399068]
  本稿では, 対向性, 可視性に優れた対向性例を生成できるASMA(Adversarial Semantic Mask Attack framework)を提案する。 具体的には, 局所的なセマンティック領域の摂動を抑制し, 良好なステルス性を実現する, 対向型セマンティックマスク生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-06-16T10:38:11Z)
• Evading Forensic Classifiers with Attribute-Conditioned Adversarial Faces [6.105361899083232]
  本研究では,特定の属性セットを用いて,敵対的な偽の顔を生成することができることを示す。 本稿では,StyleGANの機能空間内の逆潜時符号を探索するフレームワークを提案する。 また,メタラーニングに基づく最適化手法を提案し,未知のターゲットモデル上でのトランスファー可能な性能を実現する。
  論文  参考訳（メタデータ） (2023-06-22T17:59:55Z)
• An Open Patch Generator based Fingerprint Presentation Attack Detection using Generative Adversarial Network [3.5558308387389626]
  自動指紋認識システム(AFRS)のセンサに本物の指紋の偽造を提示することによる脅威の一つに、提示攻撃(PA)または偽造(spoofing)がある。 本稿では、GAN(Generative Adversarial Network)を用いて、提案したOpen Patch Generator(OPG)から生成されたスプーフサンプルを用いてデータセットを増強するCNNベースの手法を提案する。 96.20%、94.97%、92.90%の精度は、それぞれLivDetプロトコルのシナリオの下で、LivDet 2015、2017、2019データベースで達成されている。
  論文  参考訳（メタデータ） (2023-06-06T10:52:06Z)
• Tree-Ring Watermarks: Fingerprints for Diffusion Images that are Invisible and Robust [55.91987293510401]
  生成モデルのアウトプットを透かしは、著作権をトレースし、AI生成コンテンツによる潜在的な害を防ぐ重要なテクニックである。 本稿では,拡散モデル出力を頑健にフィンガープリントするTree-Ring Watermarkingという新しい手法を提案する。 私たちの透かしは画像空間に意味的に隠れており、現在デプロイされている透かしよりもはるかに堅牢です。
  論文  参考訳（メタデータ） (2023-05-31T17:00:31Z)
• Securing Deep Generative Models with Universal Adversarial Signature [69.51685424016055]
  深い生成モデルは、その潜在的な誤用のために社会に脅威をもたらす。 本稿では,任意の事前学習型生成モデルに普遍的逆数シグネチャを注入することを提案する。 提案手法は, FFHQ と ImageNet のデータセット上で, 様々な最先端生成モデルを用いて検証する。
  論文  参考訳（メタデータ） (2023-05-25T17:59:01Z)
• Detection of Adversarial Physical Attacks in Time-Series Image Data [12.923271427789267]
  本稿では,VGと多数投票法を併用したVG(VisionGuard*)を提案する。 これは、意思決定のためにオンボードセンサーを使用して画像が時間とともに収集される自律システムアプリケーションによって動機付けられている。 我々は、最先端のロバストな物理的攻撃によって生成された、クリーンかつ物理的に攻撃された交通標識のビデオ上で、VG*を評価した。
  論文  参考訳（メタデータ） (2023-04-27T02:08:13Z)
• CamDiff: Camouflage Image Augmentation via Diffusion Model [83.35960536063857]
  CamDiffは、カモフラージュされたシーンで透明なオブジェクトを合成するための新しいアプローチだ。 我々は,潜伏拡散モデルを用いて,カモフラージュされたシーンで有能な物体を合成する。 当社のアプローチでは、フレキシブルな編集と大規模データセットの効率的な生成を低コストで実現している。
  論文  参考訳（メタデータ） (2023-04-11T19:37:47Z)
• Black-Box Attack against GAN-Generated Image Detector with Contrastive Perturbation [0.4297070083645049]
  GAN生成画像検出器に対する新しいブラックボックス攻撃法を提案する。 エンコーダ・デコーダネットワークに基づく反法学モデルのトレーニングには,新たなコントラスト学習戦略が採用されている。 提案した攻撃は、6つの一般的なGAN上での3つの最先端検出器の精度を効果的に低減する。
  論文  参考訳（メタデータ） (2022-11-07T12:56:14Z)
• Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth Uncertainty Learning [54.15303628138665]
  フェース・アンチ・スプーフィング(FAS)は、顔認識システムが提示攻撃を防ぐ上で重要な役割を担っている。 既存のフェース・アンチ・スプーフィング・データセットは、アイデンティティと重要なばらつきが不十分なため、多様性を欠いている。 我々は「生成によるアンチ・スプーフィング」によりこの問題に対処するデュアル・スポット・ディアンタングメント・ジェネレーション・フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-01T15:36:59Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)

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。