論文の概要: Iris Presentation Attack Detection by Attention-based and Deep Pixel-wise Binary Supervision Network

• arxiv url: http://arxiv.org/abs/2106.14845v1
• Date: Mon, 28 Jun 2021 16:47:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-29 18:01:31.488751
• Title: Iris Presentation Attack Detection by Attention-based and Deep Pixel-wise Binary Supervision Network
• Title（参考訳）: アテンションベースおよびディープピクセルワイズバイナリ監視ネットワークによる虹彩提示攻撃検出
• Authors: Meiling Fang, Naser Damer, Fadi Boutros, Florian Kirchbuchner, Arjan Kuijper
• Abstract要約: 虹彩提示攻撃検出(PAD)は虹彩認識システムにおいて重要な役割を担っている。 既存のCNNベースのPADソリューションの多くは、CNNのトレーニング中にバイナリラベルを監督するのみである。 本稿では,A-PBS(Deep Pixel-wise binary supervision)法を提案する。
• 参考スコア（独自算出の注目度）: 6.704751710867745
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Iris presentation attack detection (PAD) plays a vital role in iris recognition systems. Most existing CNN-based iris PAD solutions 1) perform only binary label supervision during the training of CNNs, serving global information learning but weakening the capture of local discriminative features, 2) prefer the stacked deeper convolutions or expert-designed networks, raising the risk of overfitting, 3) fuse multiple PAD systems or various types of features, increasing difficulty for deployment on mobile devices. Hence, we propose a novel attention-based deep pixel-wise binary supervision (A-PBS) method. Pixel-wise supervision is first able to capture the fine-grained pixel/patch-level cues. Then, the attention mechanism guides the network to automatically find regions that most contribute to an accurate PAD decision. Extensive experiments are performed on LivDet-Iris 2017 and three other publicly available databases to show the effectiveness and robustness of proposed A-PBS methods. For instance, the A-PBS model achieves an HTER of 6.50% on the IIITD-WVU database outperforming state-of-the-art methods.
• Abstract（参考訳）: irisプレゼンテーションアタック検出(pad)は、iris認識システムにおいて重要な役割を果たす。 既存のCNNベースのIris PADソリューションは、CNNのトレーニング中にのみバイナリラベルの監視を行い、グローバルな情報学習を提供しながら、局所的な差別的特徴の獲得を弱め、2)より深い畳み込みや専門家が設計したネットワークを優先し、オーバーフィッティングのリスクを高め、3)複数のPADシステムや様々なタイプの機能を融合させ、モバイルデバイスへの展開の困難を増す。 そこで本研究では,A-PBS(Deep Pixel-wise binary supervision)法を提案する。 ピクセル単位での監督は、まず細かいピクセル/パッチレベルの手がかりを捉えることができる。 そして、注意機構がネットワークを誘導し、正確なPAD決定に最も寄与する領域を自動的に見つける。 livdet-iris 2017と他の3つの公開データベースで広範な実験が行われ、提案するa-pbs法の有効性と堅牢性を示している。 例えば、A-PBSモデルはIIITD-WVUデータベース上で6.50%のHTERを達成する。

関連論文リスト

• PVAFN: Point-Voxel Attention Fusion Network with Multi-Pooling Enhancing for 3D Object Detection [59.355022416218624]
  点とボクセルの表現の統合は、LiDARベースの3Dオブジェクト検出においてより一般的になりつつある。 PVAFN(Point-Voxel Attention Fusion Network)と呼ばれる新しい2段3次元物体検出器を提案する。 PVAFNはマルチプール戦略を使用して、マルチスケールとリージョン固有の情報を効果的に統合する。
  論文  参考訳（メタデータ） (2024-08-26T19:43:01Z)
• DetCLIPv3: Towards Versatile Generative Open-vocabulary Object Detection [111.68263493302499]
  DetCLIPv3は、オープンボキャブラリオブジェクト検出と階層ラベルの両方で優れた高性能検出器である。 DetCLIPv3は,1)Versatileモデルアーキテクチャ,2)高情報密度データ,3)効率的なトレーニング戦略の3つのコア設計によって特徴付けられる。 DetCLIPv3は、GLIPv2, GroundingDINO, DetCLIPv2をそれぞれ18.0/19.6/6 APで上回り、優れたオープン語彙検出性能を示す。
  論文  参考訳（メタデータ） (2024-04-14T11:01:44Z)
• DPA-P2PNet: Deformable Proposal-aware P2PNet for Accurate Point-based Cell Detection [5.994317314012678]
  ポイントベース細胞検出(PCD)は、計算病理学のコミュニティで注目を集めている。 中間密度マップ表現に依存する主流のPCD法とは異なり、P2PNet(Point-to-Point Network)は近年PCDのエンドツーエンドソリューションとして登場している。 P2PNetは、ポイント提案のスケールに依存しない性質のため、単一レベルの特徴マップからのデコードに制限されている。 提案手法は,階層的特徴写像上の点提案の座標に従って,復号化のためのマルチスケール特徴を直接抽出する。
  論文  参考訳（メタデータ） (2023-03-05T08:02:42Z)
• Threatening Patch Attacks on Object Detection in Optical Remote Sensing Images [55.09446477517365]
  自然画像における物体検出における高度なパッチアタック(PA)は、ディープニューラルネットワークに基づく手法における大きな安全性の脆弱性を指摘した。 我々は,TPAと呼ばれる視覚的品質の低下を伴わない,より危険度の高いPAを提案する。 我々の知る限りでは、これがO-RSIにおけるオブジェクト検出におけるPAの研究の最初の試みであり、この研究が読者にこのトピックの研究に興味を持たせることを願っている。
  論文  参考訳（メタデータ） (2023-02-13T02:35:49Z)
• Intra and Cross-spectrum Iris Presentation Attack Detection in the NIR and Visible Domains Using Attention-based and Pixel-wise Supervised Learning [8.981081097203088]
  アイリス提示攻撃検出(PAD)はアイリス認識システムに必須である。 近年のIris PADソリューションは、ディープラーニング技術を活用して優れた性能を実現している。 本章では,新しい注目型深部画素二元監督法(A-PBS)を提案する。
  論文  参考訳（メタデータ） (2022-05-05T11:12:59Z)
• DFCANet: Dense Feature Calibration-Attention Guided Network for Cross Domain Iris Presentation Attack Detection [2.95102708174421]
  アイリス提示攻撃検出(IPAD)は個人識別の確保に不可欠である。 既存のIPADアルゴリズムは、目に見えないクロスドメインシナリオにうまく一般化しない。 本稿では,DFCANet: Dense Feature and Attention Guided Networkを提案する。
  論文  参考訳（メタデータ） (2021-11-01T13:04:23Z)
• Revisiting Pixel-Wise Supervision for Face Anti-Spoofing [75.89648108213773]
  対面防止(FAS)は、提示攻撃(PA)から顔認識システムを保護する上で重要な役割を担っている 伝統的に、二分損失によって教師される深いモデルは、本質的および差別的なスプーフィングパターンを記述するのに弱い。 近年、よりきめ細かいピクセル/パッチレベルのキューを提供することを目的として、FASタスクに対してピクセル単位での監視が提案されている。
  論文  参考訳（メタデータ） (2020-11-24T11:25:58Z)
• Generalized Iris Presentation Attack Detection Algorithm under Cross-Database Settings [63.90855798947425]
  プレゼンテーションアタックは、バイオメトリックなモダリティの大部分に大きな課題をもたらす。 本稿では,汎用的な深層学習に基づくプレゼンテーション攻撃検出ネットワークであるMVANetを提案する。 これはハイブリッドアルゴリズムの単純さと成功、あるいは複数の検出ネットワークの融合にインスパイアされている。
  論文  参考訳（メタデータ） (2020-10-25T22:42:27Z)
• D-VPnet: A Network for Real-time Dominant Vanishing Point Detection in Natural Scenes [3.8170259685864165]
  バリシングポイント(VP)は、オブジェクトを2D写真から3D空間にマッピングするための有用なヒントを提供する。 自然界における支配的なVPを検出するために,新しい畳み込みニューラルネットワーク(CNN)を提案する。
  論文  参考訳（メタデータ） (2020-06-09T17:12:27Z)
• 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)

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。