論文の概要: Focused LRP: Explainable AI for Face Morphing Attack Detection

• arxiv url: http://arxiv.org/abs/2103.14697v1
• Date: Fri, 26 Mar 2021 19:05:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 15:15:14.222905
• Title: Focused LRP: Explainable AI for Face Morphing Attack Detection
• Title（参考訳）: Focused LRP: 顔モフィン攻撃検出のための説明可能なAI
• Authors: Clemens Seibold, Anna Hilsmann, Peter Eisert
• Abstract要約: 本稿では,Deep Neural Networkによって画像領域を用いて,実際の顔画像と形態的顔画像とを識別する,正確なピクセルレベルの人間の検査者に説明する枠組みを提案する。 また,本手法の品質を客観的に分析し,FLRPを他の解釈可能性手法と比較する枠組みを提案する。
• 参考スコア（独自算出の注目度）: 3.145455301228176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of detecting morphed face images has become highly relevant in recent years to ensure the security of automatic verification systems based on facial images, e.g. automated border control gates. Detection methods based on Deep Neural Networks (DNN) have been shown to be very suitable to this end. However, they do not provide transparency in the decision making and it is not clear how they distinguish between genuine and morphed face images. This is particularly relevant for systems intended to assist a human operator, who should be able to understand the reasoning. In this paper, we tackle this problem and present Focused Layer-wise Relevance Propagation (FLRP). This framework explains to a human inspector on a precise pixel level, which image regions are used by a Deep Neural Network to distinguish between a genuine and a morphed face image. Additionally, we propose another framework to objectively analyze the quality of our method and compare FLRP to other DNN interpretability methods. This evaluation framework is based on removing detected artifacts and analyzing the influence of these changes on the decision of the DNN. Especially, if the DNN is uncertain in its decision or even incorrect, FLRP performs much better in highlighting visible artifacts compared to other methods.
• Abstract（参考訳）: 近年、顔画像に基づく自動検証システムのセキュリティを確保するために、顔画像の変形を検出するタスクが重要視されている。 自動境界制御ゲート。 ディープニューラルネットワーク(DNN)に基づく検出手法はこの目的に非常に適していることが示されている。 しかし、意思決定において透明性を提供しておらず、実際の顔画像と形態画像の区別方法が明確でない。 これは、理性を理解しなければならない人間のオペレーターを支援するためのシステムに特に関係している。 本稿では,この問題に取り組み,Focused Layer-wise Relevance Propagation (FLRP)を提案する。 このフレームワークは、人間の検査者に正確なピクセルレベルで説明し、Deep Neural Networkによって画像領域を使用して、本物の顔画像と形態付き顔画像とを区別する。 さらに,本手法の品質を客観的に分析し,FLRPを他のDNN解釈可能性手法と比較するフレームワークを提案する。 この評価フレームワークは,検出されたアーティファクトを除去し,これらの変更がDNNの決定に与える影響を分析する。 特に、DNNがその決定に不確かか、あるいは誤りであったとしても、FLRPは他の方法と比較して、目に見えるアーティファクトの強調に優れる。

関連論文リスト

• DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake Detection [67.3143177137102]
  ディープフェイク検出(Deepfake detection)とは、画像やビデオにおいて、人工的に生成された顔や編集された顔を検出すること。 本稿では,実顔と偽顔とを適応的に識別するDeepFidelityという新しいDeepfake検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-07T07:19:45Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• Verifying Attention Robustness of Deep Neural Networks against Semantic Perturbations [2.7598466876818004]
  機密マップは、分類決定基準の妥当性を確認するために使用される。 そこで本研究では,意味摂動の組み合わせに対するサリエンシマップの変化の局所的ロバスト性について,注意力に対する最初の検証手法を提案する。
  論文  参考訳（メタデータ） (2022-07-13T00:26:56Z)
• Morph Detection Enhanced by Structured Group Sparsity [18.22557507385582]
  顔認識システムの整合性を著しく損なう顔変形攻撃の課題を考察する。 我々はウェーブレット領域分析を用いて、形態面の空間周波数内容の洞察を得る。 我々は、モルヒドおよびボナフィド画像の分解ウェーブレットサブバンドを用いて、ディープニューラルネットワーク(DNN)モルヒド検出器を訓練する。
  論文  参考訳（メタデータ） (2021-11-29T20:45:03Z)
• Attention Aware Wavelet-based Detection of Morphed Face Images [18.22557507385582]
  本稿では,エンドツーエンドのトレーニング可能なソフトアテンション機構を採用したウェーブレットに基づくモーメント検出手法を提案する。 提案手法の性能を,VISAPP17, LMA, MorGANの3つのデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2021-06-29T19:29:19Z)
• DeepCert: Verification of Contextually Relevant Robustness for Neural Network Image Classifiers [16.893762648621266]
  我々はディープニューラルネットワーク(DNN)画像分類器の頑健さを文脈的に関連する摂動に検証するためのツール支援のDeepCertを紹介する。
  論文  参考訳（メタデータ） (2021-03-02T10:41:16Z)
• The FaceChannel: A Fast & Furious Deep Neural Network for Facial Expression Recognition [71.24825724518847]
  顔の表情の自動認識(FER)の最先端モデルは、非常に深いニューラルネットワークに基づいており、訓練には効果的だがかなり高価である。 私たちは、一般的なディープニューラルネットワークよりもはるかに少ないパラメータを持つ軽量ニューラルネットワークであるFaceChannelを形式化します。 我々は、私たちのモデルがFERの現在の最先端技術に匹敵するパフォーマンスを達成する方法を実証する。
  論文  参考訳（メタデータ） (2020-09-15T09:25:37Z)
• DeepFake Detection Based on the Discrepancy Between the Face and its Context [94.47879216590813]
  単一画像における顔のスワップやその他のアイデンティティ操作を検出する手法を提案する。 提案手法は, (i) 厳密なセマンティックセグメンテーションによって境界付けられた顔領域を考慮した顔識別ネットワークと, (ii) 顔コンテキストを考慮したコンテキスト認識ネットワークの2つのネットワークを含む。 本稿では,2つのネットワークからの認識信号を用いて,そのような不一致を検出する手法について述べる。 提案手法は,FaceForensics++,Celeb-DF-v2,DFDCベンチマークを用いて顔検出を行い,未知の手法で生成した偽物の検出を一般化する。
  論文  参考訳（メタデータ） (2020-08-27T17:04:46Z)
• Efficient detection of adversarial images [2.6249027950824506]
  画像の画素値は外部攻撃者によって修正されるため、人間の目にはほとんど見えない。 本稿では,修正画像の検出を容易にする新しい前処理手法を提案する。 このアルゴリズムの適応バージョンでは、ランダムな数の摂動が適応的に選択される。
  論文  参考訳（メタデータ） (2020-07-09T05:35:49Z)
• Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
  我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。 人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。 実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-15T23:57:36Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。