Fugu-MT 論文翻訳(概要): Iris Presentation Attack Detection: Where Are We Now?

論文の概要: Iris Presentation Attack Detection: Where Are We Now?

arxiv url: http://arxiv.org/abs/2006.13252v2
Date: Thu, 16 Jul 2020 19:49:43 GMT
ステータス: 処理完了
システム内更新日: 2022-11-17 23:27:54.607105
Title: Iris Presentation Attack Detection: Where Are We Now?
Title（参考訳）: アイリスのプレゼン攻撃:今どこにいるのか?
Authors: Aidan Boyd, Zhaoyuan Fang, Adam Czajka, Kevin W. Bowyer
Abstract要約: 本研究は、アイリス提示攻撃検出領域における最も重要な進歩の概要を示す。最近の文献は、伝統的な「手作り」の特徴抽出と分類、ディープラーニングベースのソリューション、ハイブリッドアプローチの3つのカテゴリに分けられる。
参考スコア（独自算出の注目度）: 14.671313104089906
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As the popularity of iris recognition systems increases, the importance of effective security measures against presentation attacks becomes paramount. This work presents an overview of the most important advances in the area of iris presentation attack detection published in recent two years. Newly-released, publicly-available datasets for development and evaluation of iris presentation attack detection are discussed. Recent literature can be seen to be broken into three categories: traditional "hand-crafted" feature extraction and classification, deep learning-based solutions, and hybrid approaches fusing both methodologies. Conclusions of modern approaches underscore the difficulty of this task. Finally, commentary on possible directions for future research is provided.
Abstract（参考訳）: 虹彩認識システムの普及に伴い、プレゼンテーション攻撃に対する効果的なセキュリティ対策の重要性が高まっている。本研究は,過去2年間に公表されたアイリス提示攻撃検出領域における最も重要な進歩について概説する。 irisプレゼンテーションアタック検出の開発と評価のために新たに公開されたデータセットについて述べる。近年の文献は、伝統的な「手作り」特徴抽出と分類、ディープラーニングに基づくソリューション、両方の方法論を用いたハイブリッドアプローチの3つのカテゴリに分けられている。現代のアプローチの結論は、この課題の難しさを強調している。最後に,今後の研究の方向性について解説する。

関連論文リスト

SoK: Pitfalls in Evaluating Black-Box Attacks [12.152882005660055]
本稿では,フィードバックの粒度の軸,対話型クエリのアクセス,攻撃者が利用できる補助データの品質と量にまたがる脅威空間に関する分類法を提案する。私たちの新しい分類は3つの重要な洞察を与えます。
論文参考訳（メタデータ） (2023-10-26T16:23:40Z)
Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual Recognition [57.08108545219043]
サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
論文参考訳（メタデータ） (2023-05-12T00:13:17Z)
Adversarial Attacks and Defenses in Machine Learning-Powered Networks: A Contemporary Survey [114.17568992164303]
機械学習とディープニューラルネットワークにおけるアドリアックと防御が注目されている。本調査は、敵攻撃・防衛技術分野における最近の進歩を包括的に概観する。検索ベース、意思決定ベース、ドロップベース、物理世界攻撃など、新たな攻撃方法も検討されている。
論文参考訳（メタデータ） (2023-03-11T04:19:31Z)
Deep Learning for Iris Recognition: A Survey [66.55441036931555]
我々は、虹彩生体計測における2つの主要なサブタスク(セグメンテーションと認識)のために開発された深層学習手法を包括的に分析する。第3に,特に死後虹彩認識において,法医学的応用のための深層学習手法を深く研究した。第4に、虹彩認識のためのディープラーニング技術におけるオープンソースのリソースとツールについてレビューする。
論文参考訳（メタデータ） (2022-10-12T01:58:09Z)
MEAD: A Multi-Armed Approach for Evaluation of Adversarial Examples Detectors [24.296350262025552]
いくつかの攻撃戦略に基づいて検知器を評価するための新しいフレームワークMEADを提案する。そのうちの1つは、攻撃を起こすための3つの新しい目的である。提案したパフォーマンス指標は最悪のシナリオに基づいている。
論文参考訳（メタデータ） (2022-06-30T17:05:45Z)
Deep Learning meets Liveness Detection: Recent Advancements and Challenges [3.2011056280404637]
我々は,2017年以降の深部機能的FAS手法に関する文献を包括的に調査している。本研究では,FASの時系列,進化過程,評価基準について概説する。
論文参考訳（メタデータ） (2021-12-29T19:24:58Z)
Introduction to Presentation Attack Detection in Iris Biometrics and Recent Advances [13.393219486444604]
プレゼンテーション攻撃は、最も重要で研究されているものとして際立っている。アイリスの場合、これらの攻撃には、実際のアイライズの使用や、写真やビデオなど、異なるレベルの高度な人工物が含まれる。本章では、プレゼンテーションアタックによるリスクを低減するために開発された、アイリス提示検出(PAD)手法を紹介する。
論文参考訳（メタデータ） (2021-11-24T12:43:06Z)
Introduction to Presentation Attack Detection in Face Biometrics and Recent Advances [21.674697346594158]
次のページでは、顔認識システムが直面する可能性のある、異なるプレゼンテーションアタックを示す。顔認識の現状と,その展開レベル,課題について紹介する。我々は,より単純なものからより複雑なものまで,さまざまな種類のプレゼンテーションアタック手法について検討し,その効果を検証した。
論文参考訳（メタデータ） (2021-11-23T11:19:22Z)
A Review of Adversarial Attack and Defense for Classification Methods [78.50824774203495]
本稿では,敵対的事例の生成と保護に焦点をあてる。この論文は、多くの統計学者が、この重要かつエキサイティングな分野において、敵の事例を生成・防御することを奨励するものである。
論文参考訳（メタデータ） (2021-11-18T22:13:43Z)
Weakly Supervised Object Localization and Detection: A Survey [145.5041117184952]
オブジェクトのローカライゼーションと検出は、新しい世代のコンピュータビジョンシステムを開発する上で重要な役割を果たす。本稿では,(1)古典的モデル,(2)既成の深層ネットワークの特徴表現を用いたアプローチ,(3)ディープラーニングのみに基づくアプローチ,(4)この分野で広く利用されている公開データセットと標準評価指標についてレビューする。この分野における重要な課題、この分野の開発履歴、各カテゴリーの手法の利点/欠点、異なるカテゴリーの方法間の関係、弱い監督対象のローカリゼーションおよび検出方法の適用、およびこの研究分野の開発をさらに促進するための潜在的な将来の方向性について議論します。
論文参考訳（メタデータ） (2021-04-16T06:44:50Z)
Deep Learning for Anomaly Detection: A Review [150.9270911031327]
本稿では,3つの高レベルカテゴリと11の細粒度カテゴリの進歩を網羅した包括的分類法による深部異常検出の研究について調査する。我々は、それらの重要な直観、客観的機能、基礎となる仮定、利点とデメリットをレビューし、上記の課題にどのように対処するかについて議論する。
論文参考訳（メタデータ） (2020-07-06T02:21:16Z)

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。