論文の概要: Iris Liveness Detection using a Cascade of Dedicated Deep Learning Networks

• arxiv url: http://arxiv.org/abs/2105.14009v1
• Date: Fri, 28 May 2021 17:37:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-31 13:35:00.156394
• Title: Iris Liveness Detection using a Cascade of Dedicated Deep Learning Networks
• Title（参考訳）: 専用深層学習ネットワークのカスケードを用いた虹彩ライブネス検出
• Authors: Juan Tapia, Sebastian Gonzalez, Christoph Busch
• Abstract要約: プレゼンテーション攻撃は、印刷画像、人工眼、テクスチャ化されたコンタクトレンズなどを用いて生体認証システムを回避することができる。 本稿では, ボナファイドアイリス画像とプレゼンテーションアタック画像とを分類するために, ゼロから訓練したMobileNetV2修正に基づくシリアル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）: 11.617910256604143
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Iris pattern recognition has significantly improved the biometric authentication field due to its high stability and uniqueness. Such physical characteristics have played an essential role in security and other related areas. However, presentation attacks, also known as spoofing techniques, can bypass biometric authentication systems using artefacts such as printed images, artificial eyes, textured contact lenses, etc. Many liveness detection methods that improve the security of these systems have been proposed. The first International Iris Liveness Detection competition, where the effectiveness of liveness detection methods is evaluated, was first launched in 2013, and its latest iteration was held in 2020. This paper proposes a serial architecture based on a MobileNetV2 modification, trained from scratch to classify bona fide iris images versus presentation attack images. The bona fide class consists of live iris images, whereas the attack presentation instrument classes are comprised of cadaver, printed, and contact lenses images, for a total of four scenarios. All the images were pre-processed and weighted per class to present a fair evaluation. This proposal won the LivDet-Iris 2020 competition using two-class scenarios. Additionally, we present new three-class and four-class scenarios that further improve the competition results. This approach is primarily focused in detecting the bona fide class over improving the detection of presentation attack instruments. For the two, three, and four classes scenarios, an Equal Error Rate (EER) of 4.04\%, 0.33\%, and 4,53\% was obtained respectively. Overall, the best serial model proposed, using three scenarios, reached an ERR of 0.33\% with an Attack Presentation Classification Error Rate (APCER) of 0.0100 and a Bona Fide Classification Error Rate (BPCER) of 0.000. This work outperforms the LivDet-Iris 2020 competition results.
• Abstract（参考訳）: アイリスパターン認識は、その安定性と特異性により生体認証分野を著しく改善した。 このような物理的特徴は、セキュリティやその他の関連分野において重要な役割を担っている。 しかし、プレゼンテーション攻撃(spoofing techniqueとしても知られる)は、印刷画像、人工眼、テクスチャ付きコンタクトレンズなどの人工物を使って生体認証システムをバイパスすることができる。 これらのシステムのセキュリティを改善する多くのライブネス検出手法が提案されている。 第1回国際irisライブネス検出コンペティションは、ライブネス検出手法の有効性を評価し、2013年に開始され、最新のイテレーションは2020年に開催された。 本稿では, ボナファイドアイリス画像とプレゼンテーション攻撃画像とを分類するために, ゼロから訓練したMobileNetV2修正に基づくシリアルアーキテクチャを提案する。 ボナファイドクラスはライブのアイリスイメージで構成され、攻撃プレゼンテーション機器クラスは、合計4つのシナリオで、ケーダバー、プリント、コンタクトレンズイメージで構成されている。 すべての画像は前処理され、クラスごとに重み付けされ、公正な評価が得られた。 この提案は2クラスシナリオを使用したLivDet-Iris 2020コンペティションで優勝した。 さらに,新たな3クラスと4クラスのシナリオを提示し,競争結果をさらに改善する。 このアプローチは主に、プレゼンテーション攻撃機器の検出を改善する上で、ボナファイドクラスの検出に重点を置いている。 2, 3, 4種類の場合, それぞれ4.04\%, 0.33\%, 4,53\%の等しい誤差率(eer)が得られた。 3つのシナリオを用いて提案された最高のシリアルモデルは、攻撃提示分類エラーレート(APCER)0.0100、ボナFide分類エラーレート(BPCER)0.0000のERRに到達した。 この作品は、LivDet-Iris 2020の競争成績を上回っている。

関連論文リスト

• Presentation Attack detection using Wavelet Transform and Deep Residual Neural Net [5.425986555749844]
  生体計測物質は、いくつかの方法でインポスタによって騙されることがある。 バイオメトリック画像、特に虹彩と顔は、異なる提示攻撃に対して脆弱である。 本研究では,生体情報アクセス制御システムにおけるプレゼンテーションアタックの軽減にディープラーニングアプローチを適用した。
  論文  参考訳（メタデータ） (2023-11-23T20:21:49Z)
• A Universal Anti-Spoofing Approach for Contactless Fingerprint Biometric Systems [0.0]
  接触のない指紋に対する普遍的な提示攻撃検出法を提案する。 ライブフィンガー写真からStyleGANを用いて合成非接触指紋を生成し,それらを統合して半教師付きResNet-18モデルを訓練した。 両損失関数のバランスをとるために,Arcface と Center の損失を組み合わせた新しい結合損失関数を導入した。
  論文  参考訳（メタデータ） (2023-10-23T15:46:47Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)
• ArtiFact: A Large-Scale Dataset with Artificial and Factual Images for Generalizable and Robust Synthetic Image Detection [0.3779860024918729]
  本稿では,実世界の障害に直面した合成画像検出器の汎用性とロバスト性を評価する。 フィルタストライド削減戦略と組み合わせたマルチクラス分類方式は,社会的プラットフォーム障害に対処する。 ICIP 2022のIEEE VIPカップチャレンジでは、テスト1で8.34%、テスト2で1.26%、テスト3で15.08%と、他のトップチームよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2023-02-23T12:40:36Z)
• Surveillance Face Anti-spoofing [81.50018853811895]
  Face Anti-Spoofing (FAS) は、様々な物理的攻撃から顔認識システムを保護するために不可欠である。 本稿では,画像品質による性能劣化を軽減するために,コントラスト品質不変学習(CQIL)ネットワークを提案する。 多くの実験がSuHiFiMaskデータセットの品質と提案したCQILの優位性を検証する。
  論文  参考訳（メタデータ） (2023-01-03T07:09:57Z)
• Active Gaze Control for Foveal Scene Exploration [124.11737060344052]
  本研究では,葉型カメラを用いた人間とロボットが現場を探索する方法をエミュレートする手法を提案する。 提案手法は,同数の視線シフトに対してF1スコアを2～3ポイント増加させる。
  論文  参考訳（メタデータ） (2022-08-24T14:59:28Z)
• Few-shot Open-set Recognition Using Background as Unknowns [58.04165813493666]
  未使用のオープンセット認識は、見知らぬクラスの限られた訓練データしか持たない、目に見える画像と新しい画像の両方を分類することを目的としている。 提案手法は,複数のベースラインより優れるだけでなく,3つのベンチマークで新たな結果が得られた。
  論文  参考訳（メタデータ） (2022-07-19T04:19:29Z)
• Generalized Category Discovery [148.32255950504182]
  本稿では,ラベル付き画像集合とラベル付き画像集合とを併用した画像認識手法を提案する。 ここでは、未表示の画像はラベル付きクラスから、あるいは新しいものから来ているかもしれない。 まず、新しいカテゴリー発見から最先端のアルゴリズムを取り入れ、そのタスクに適応することで、強力なベースラインを確立する。 次に、単純だが効果的な半教師付き$k$-meansメソッドを導入する。
  論文  参考訳（メタデータ） (2022-01-07T18:58:35Z)
• Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
  低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。 本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。 提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
  論文  参考訳（メタデータ） (2021-05-01T13:19:02Z)
• Iris Liveness Detection Competition (LivDet-Iris) -- The 2020 Edition [23.537039454986875]
  本稿では,第4回大会であるLivDet-Iris 2020の結果を紹介する。 APCERは5種類の攻撃に対して平均59.10%、BPCERは0.46%であった。
  論文  参考訳（メタデータ） (2020-09-01T23:43:19Z)
• CNN Hyperparameter tuning applied to Iris Liveness Detection [4.727580900653369]
  プレゼンテーションアタック(プレゼンテーションアタック、spoofing technique)は、生体認証システムをバイパスするために用いられる。 2013年、最初のIris Liveness Detectionコンペティションが開催され、その効果が評価された。
  論文  参考訳（メタデータ） (2020-02-12T15:00:46Z)

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。