論文の概要: Fuzzy Commitments Offer Insufficient Protection to Biometric Templates
Produced by Deep Learning
- arxiv url: http://arxiv.org/abs/2012.13293v1
- Date: Thu, 24 Dec 2020 15:28:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 13:54:06.709275
- Title: Fuzzy Commitments Offer Insufficient Protection to Biometric Templates
Produced by Deep Learning
- Title(参考訳): ディープラーニングによる生体認証テンプレートの保護が不十分なファジィコミットメント
- Authors: Danny Keller, Margarita Osadchy, and Orr Dunkelman
- Abstract要約: 本稿では,保護テンプレートを用いて顔画像の再構成を行う再構築攻撃を提案する。
最も単純な攻撃シナリオでは、再構築されたテンプレートの78%以上がアカウントのアンロックに成功した。
最も厳しい」設定でも、再構築された画像はシステムのFARよりも50倍から120倍の成功率を提供します。
- 参考スコア(独自算出の注目度): 5.647098253348182
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we study the protection that fuzzy commitments offer when they
are applied to facial images, processed by the state of the art deep learning
facial recognition systems. We show that while these systems are capable of
producing great accuracy, they produce templates of too little entropy. As a
result, we present a reconstruction attack that takes a protected template, and
reconstructs a facial image. The reconstructed facial images greatly resemble
the original ones. In the simplest attack scenario, more than 78% of these
reconstructed templates succeed in unlocking an account (when the system is
configured to 0.1% FAR). Even in the "hardest" settings (in which we take a
reconstructed image from one system and use it in a different system, with
different feature extraction process) the reconstructed image offers 50 to 120
times higher success rates than the system's FAR.
- Abstract(参考訳): 本研究では,顔画像に適用した場合のファジィコミットメントが与える保護について,最先端のディープラーニング顔認識システムを用いて検討する。
これらのシステムは高い精度を生み出すことができるが、エントロピーが少なすぎるテンプレートを生成する。
その結果,保護テンプレートを用いて顔画像の再構成を行う再構成攻撃が提案された。
再建された顔画像は、オリジナルのものと非常によく似ている。
最も単純な攻撃シナリオでは、再構築されたテンプレートの78%以上がアカウントのアンロックに成功した(システムが0.1% FARに設定されている場合)。
最も難しい」設定(あるシステムから再構成された画像を別のシステムで使用し、異なる特徴抽出プロセスで使用する)であっても、再構成された画像は、システム全体の50倍から120倍の成功率を提供する。
関連論文リスト
- PFStorer: Personalized Face Restoration and Super-Resolution [19.479263766534345]
顔修復の最近の進歩は、高品質でライフスタイルのアウトプットを生み出すことに顕著な成果を上げている。
しかし、驚くべき結果は、モデルに必要なコンテキストが欠如しているため、人のアイデンティティに忠実でないことがしばしばあります。
提案手法では, 個人像を用いて復元モデルをパーソナライズし, 詳細な情報を保持しつつ, 個人像に対して調整した復元を行う。
論文 参考訳(メタデータ) (2024-03-13T11:39:30Z) - TetraLoss: Improving the Robustness of Face Recognition against Morphing
Attacks [7.092869001331781]
顔認識システムは、高セキュリティアプリケーションに広くデプロイされている。
フェースモーフィングのようなデジタル操作は、顔認識システムにセキュリティ上の脅威をもたらす。
本稿では,ディープラーニングに基づく顔認識システムを,顔形態攻撃に対してより堅牢なものにするための新しい手法を提案する。
論文 参考訳(メタデータ) (2024-01-21T21:04:05Z) - PRO-Face S: Privacy-preserving Reversible Obfuscation of Face Images via
Secure Flow [69.78820726573935]
保護フローベースモデルを用いて,プライバシ保護による顔画像の可逆難読化(Reversible Obfuscation of Face image)を略してpro-Face Sと命名する。
本フレームワークでは、Invertible Neural Network(INN)を使用して、入力画像と、その事前難読化されたフォームとを処理し、事前難読化された画像と視覚的に近似したプライバシー保護された画像を生成する。
論文 参考訳(メタデータ) (2023-07-18T10:55:54Z) - Procedural Image Programs for Representation Learning [62.557911005179946]
我々は,2万プログラムからなる大規模なデータセットを用いて,多様な合成画像を生成する訓練を提案する。
これらのプログラムは短いコードスニペットであり、変更が容易で、高速に実行することができる。
提案したデータセットは、教師付きおよび教師なしの表現学習の両方に使用することができ、実際の画像と手続き的に生成された画像との事前学習のギャップを38%削減する。
論文 参考訳(メタデータ) (2022-11-29T17:34:22Z) - Assessing Privacy Risks from Feature Vector Reconstruction Attacks [24.262351521060676]
我々は、再構成された顔画像の脅威を有意義に捉える指標を開発する。
再構成された顔画像は、商業的な顔認識システムと人間の両方による再識別を可能にすることを示す。
その結果,特徴ベクトルはパーソナライズ可能な情報として認識されるべきであることが確認された。
論文 参考訳(メタデータ) (2022-02-11T16:52:02Z) - Delving into Deep Image Prior for Adversarial Defense: A Novel
Reconstruction-based Defense Framework [34.75025893777763]
本研究は, より深いイメージを掘り下げることによる, 新規かつ効果的な再構築型防御フレームワークを提案する。
提案手法は, モデル決定過程を分析し, 明示的に記述する。
実験により,提案手法は,ホワイトボックス攻撃とディフェンスアウェア攻撃の両面において,既存の最先端の再構築手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2021-07-31T08:49:17Z) - Network Architecture Search for Face Enhancement [82.25775020564654]
我々は、NASFE(Network Architecture Search for Face Enhancement)と呼ばれるマルチタスクの顔復元ネットワークを提案する。
NASFEは、単一の劣化(すなわち)を含む低品質の顔画像を高めることができる。
ノイズまたはぼやけ)または複数の劣化(ノイズ+ブラル+ローライト)
論文 参考訳(メタデータ) (2021-05-13T19:46:05Z) - Black-Box Face Recovery from Identity Features [61.950765357647605]
我々はアルゴリズムをテストするために最先端の顔認識システム(ArcFace)を攻撃した。
我々のアルゴリズムは、最先端のソリューションに比べて、はるかに少ないクエリを必要とする。
論文 参考訳(メタデータ) (2020-07-27T15:25:38Z) - Exploiting Deep Generative Prior for Versatile Image Restoration and
Manipulation [181.08127307338654]
本研究は, 大規模自然画像に基づいて学習したGAN(Generative Adversarial Network)により, 得られた画像の有効利用方法を示す。
深層生成前駆体(DGP)は、色、パッチ、解像度、様々な劣化した画像の欠落したセマンティクスを復元するための説得力のある結果を提供する。
論文 参考訳(メタデータ) (2020-03-30T17:45:07Z) - Towards Face Encryption by Generating Adversarial Identity Masks [53.82211571716117]
敵の識別マスクを生成するためのターゲットID保護反復法(TIP-IM)を提案する。
TIP-IMは、様々な最先端の顔認識モデルに対して95%以上の保護成功率を提供する。
論文 参考訳(メタデータ) (2020-03-15T12:45:10Z)
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。