論文の概要: D-NetPAD: An Explainable and Interpretable Iris Presentation Attack Detector

• arxiv url: http://arxiv.org/abs/2007.01381v1
• Date: Thu, 2 Jul 2020 20:44:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 14:26:23.086437
• Title: D-NetPAD: An Explainable and Interpretable Iris Presentation Attack Detector
• Title（参考訳）: D-NetPAD:説明可能で解釈可能なアイリス提示攻撃検出器
• Authors: Renu Sharma and Arun Ross
• Abstract要約: 虹彩認識システムは、相手が印刷された目、プラスチックの目、化粧品のコンタクトレンズなどのアーチファクトを提示する、プレゼンテーションアタック(PA)に対して脆弱である。 本稿では、DenseNet畳み込みニューラルネットワークアーキテクチャに基づくD-NetPADと呼ばれる有効で堅牢なアイリスPA検出器を提案する。
• 参考スコア（独自算出の注目度）: 13.367903535457364
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: An iris recognition system is vulnerable to presentation attacks, or PAs, where an adversary presents artifacts such as printed eyes, plastic eyes, or cosmetic contact lenses to circumvent the system. In this work, we propose an effective and robust iris PA detector called D-NetPAD based on the DenseNet convolutional neural network architecture. It demonstrates generalizability across PA artifacts, sensors and datasets. Experiments conducted on a proprietary dataset and a publicly available dataset (LivDet-2017) substantiate the effectiveness of the proposed method for iris PA detection. The proposed method results in a true detection rate of 98.58\% at a false detection rate of 0.2\% on the proprietary dataset and outperfoms state-of-the-art methods on the LivDet-2017 dataset. We visualize intermediate feature distributions and fixation heatmaps using t-SNE plots and Grad-CAM, respectively, in order to explain the performance of D-NetPAD. Further, we conduct a frequency analysis to explain the nature of features being extracted by the network. The source code and trained model are available at https://github.com/iPRoBe-lab/D-NetPAD.
• Abstract（参考訳）: 虹彩認識システムは、相手が印刷された目、プラスチックの目、化粧品のコンタクトレンズなどの人工物を提示してシステムを回避する、提示攻撃(PA)に対して脆弱である。 本研究では、DenseNet畳み込みニューラルネットワークアーキテクチャに基づくD-NetPADと呼ばれる有効で堅牢なアイリスPA検出器を提案する。 PAアーティファクト、センサー、データセット間の一般化性を示す。 プロプライエタリデータセットと公開データセット(livdet-2017)で実施した実験では,提案手法の有効性が検証された。 提案手法は,プロプライエタリなデータセットでは0.2\%の誤検出率で98.58\%の真の検出率を示し,LivDet-2017データセットでは最先端の手法よりも優れていた。 D-NetPADの性能を説明するため、t-SNEプロットとGrad-CAMを用いて中間特徴分布と固定熱マップを可視化する。 さらに,ネットワークによって抽出される特徴の性質を説明するために周波数解析を行う。 ソースコードとトレーニングされたモデルはhttps://github.com/iPRoBe-lab/D-NetPADで入手できる。

関連論文リスト

• VALERIE22 -- A photorealistic, richly metadata annotated dataset of urban environments [5.439020425819001]
  VALERIEツールパイプラインは、ドメイン固有の要素の理解に寄与するために開発された合成データジェネレータである。 VALERIE22データセットは、フォトリアリスティックセンサーシミュレーションを提供するVALERIEプロシージャツールパイプラインで生成された。 データセットは独自のリッチなメタデータセットを提供し、特定のシーンとセマンティックな特徴の抽出を可能にする。
  論文  参考訳（メタデータ） (2023-08-18T15:44:45Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Interpretable Out-Of-Distribution Detection Using Pattern Identification [0.0]
  データベースプログラムのアウト・オブ・ディストリビューション(OoD)検出は最重要課題である。 文献における一般的なアプローチは、イン・オブ・ディストリビューション(in-distriion、IoD)とOoDバリデーション・サンプルを必要とする検出器を訓練する傾向がある。 我々は、より解釈可能で堅牢なOoD検出器を構築するために、説明可能なAI、すなわちPartialulパターン識別アルゴリズムから既存の研究を活用することを提案する。
  論文  参考訳（メタデータ） (2023-01-24T15:35:54Z)
• 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)
• Egocentric Human-Object Interaction Detection Exploiting Synthetic Data [19.220651860718892]
  産業的文脈において,エゴセントリックなヒューマンオブジェクトインタラクション(EHOI)を検出することの問題点を考察する。 EHOI検出に自動的にラベル付けされたFPV画像を生成するためのパイプラインとツールを提案する。
  論文  参考訳（メタデータ） (2022-04-14T15:59:15Z)
• EyePAD++: A Distillation-based approach for joint Eye Authentication and Presentation Attack Detection using Periocular Images [51.68060838051637]
  EyePAD (EyePAD) は、EAとPADのための単一のネットワークを訓練する蒸留方式である。 EyePAD++はEAとPADデータの両方でMTLネットワークをトレーニングし、EyePADネットワークの汎用性を蒸留する。 提案手法はPADにおいてSOTAよりも優れており,眼目検証において,前処理なしでSOTAに近い性能が得られる。
  論文  参考訳（メタデータ） (2021-12-22T01:22:08Z)
• Shuffled Patch-Wise Supervision for Presentation Attack Detection [12.031796234206135]
  顔の偽造防止は、写真、ビデオ、マスク、または認証された人の顔の別の代用品を使用することによって、偽の顔認証を防止するために不可欠である。 ほとんどのプレゼンテーションアタック検出システムはオーバーフィッティングに悩まされており、1つのデータセットでほぼ完璧なスコアを得るが、より現実的なデータを持つ別のデータセットでは失敗する。 画素単位のバイナリ管理とパッチベースのCNNを組み合わせた新しいPAD手法を提案する。
  論文  参考訳（メタデータ） (2021-09-08T08:14:13Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• UC-Net: Uncertainty Inspired RGB-D Saliency Detection via Conditional Variational Autoencoders [81.5490760424213]
  データラベリングプロセスから学習することで、RGB-Dサリエンシ検出に不確実性を利用するための第1のフレームワーク(UCNet)を提案する。 そこで本研究では,サリエンシデータラベリングにヒントを得て,確率的RGB-Dサリエンシ検出ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-13T04:12:59Z)
• Image-based OoD-Detector Principles on Graph-based Input Data in Human Action Recognition [6.7034293304862755]
  画像に基づくOoD(Out-of-Distribution)メソッドがグラフベースデータに適用可能であることを示す。 画像ベースのアプリケーションとは対照的に、より洗練されたネットワークアーキテクチャは、データセット内比較で追い越された。
  論文  参考訳（メタデータ） (2020-03-03T15:38:43Z)

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。