論文の概要: Taming Self-Supervised Learning for Presentation Attack Detection:
De-Folding and De-Mixing
- arxiv url: http://arxiv.org/abs/2109.04100v3
- Date: Fri, 2 Jun 2023 04:01:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-05 21:25:47.149869
- Title: Taming Self-Supervised Learning for Presentation Attack Detection:
De-Folding and De-Mixing
- Title（参考訳）: プレゼンテーションアタック検出のための自己教師付き学習:デフォールディングとデミックス
- Authors: Zhe Kong, Wentian Zhang, Feng Liu, Wenhan Luo, Haozhe Liu, Linlin Shen
and Raghavendra Ramachandra
- Abstract要約: 各種提示攻撃装置(PAI)を用いた提示攻撃に対して生体認証システムは脆弱である
DF-DMと呼ばれる自己教師型学習手法を提案する。
DF-DMは、PDDのタスク固有の表現を導出するために、De-FoldingとDe-Mixingと結合したグローバルローカルビューに基づいている。
- 参考スコア（独自算出の注目度）: 42.733666815035534
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Biometric systems are vulnerable to Presentation Attacks (PA) performed using
various Presentation Attack Instruments (PAIs). Even though there are numerous
Presentation Attack Detection (PAD) techniques based on both deep learning and
hand-crafted features, the generalization of PAD for unknown PAI is still a
challenging problem. In this work, we empirically prove that the initialization
of the PAD model is a crucial factor for the generalization, which is rarely
discussed in the community. Based on such observation, we proposed a
self-supervised learning-based method, denoted as DF-DM. Specifically, DF-DM is
based on a global-local view coupled with De-Folding and De-Mixing to derive
the task-specific representation for PAD. During De-Folding, the proposed
technique will learn region-specific features to represent samples in a local
pattern by explicitly minimizing generative loss. While De-Mixing drives
detectors to obtain the instance-specific features with global information for
more comprehensive representation by minimizing interpolation-based
consistency. Extensive experimental results show that the proposed method can
achieve significant improvements in terms of both face and fingerprint PAD in
more complicated and hybrid datasets when compared with state-of-the-art
methods. When training in CASIA-FASD and Idiap Replay-Attack, the proposed
method can achieve an 18.60% Equal Error Rate (EER) in OULU-NPU and MSU-MFSD,
exceeding baseline performance by 9.54%. The source code of the proposed
technique is available at https://github.com/kongzhecn/dfdm.
- Abstract（参考訳）: バイオメトリックシステムは、様々なプレゼンテーションアタック機器(PAI)を使用して実行されるプレゼンテーションアタック(PA)に対して脆弱である。
深層学習と手作り両方の特徴に基づく提示攻撃検出(PAD)技術は数多く存在するが、未知のPAIに対するPADの一般化は依然として難しい問題である。
本研究では,PADモデルの初期化が一般化の重要な要因であることを実証的に証明する。
そこで本研究では,DF-DMと呼ばれる自己教師型学習手法を提案する。
具体的には、DF-DMは、PDDのタスク固有の表現を導出するために、De-FoldingとDe-Mixingを組み合わせたグローバルローカルビューに基づいている。
De-Folding中、提案手法は、生成損失を明示的に最小化し、局所パターンでサンプルを表現するために、地域固有の特徴を学習する。
De-Mixingはインタプリタを駆動し、インタプリケーションベースの一貫性を最小化することで、グローバル情報によるインスタンス固有の特徴をより包括的な表現のために取得する。
広範な実験結果から,最先端手法と比較した場合,顔と指紋パッドの両方において,より複雑でハイブリッドなデータセットにおいて有意な改善が得られた。
CASIA-FASD と Idiap Replay-Attack のトレーニングでは,OULU-NPU と MSU-MFSD で 18.60% の誤差率 (EER) が得られる。
提案手法のソースコードはhttps://github.com/kongzhecn/dfdm.comで入手できる。
関連論文リスト
- Unsupervised Fingerphoto Presentation Attack Detection With Diffusion Models [8.979820109339286]
スマートフォンベースの非接触指紋認証は、従来のコンタクトベースの指紋生体認証システムに代わる信頼性の高い方法となっている。
その便利さにもかかわらず、指紋認証による指紋認証は、プレゼンテーション攻撃に対してより脆弱である。
我々は、最先端のディープラーニングに基づく拡散モデル、Denoising Probabilistic Diffusion Model (DDPM)に基づく新しい教師なしアプローチを提案する。
提案手法は,DDPMの入力対と出力対の再構成類似性を算出し,提示攻撃(PA)を検出する。
論文 参考訳（メタデータ） (2024-09-27T11:07:48Z) - Querying Easily Flip-flopped Samples for Deep Active Learning [63.62397322172216]
アクティブラーニング(英: Active Learning)は、ラベルのないデータを戦略的に選択してクエリすることで、モデルの性能を向上させることを目的とした機械学習パラダイムである。
効果的な選択戦略の1つはモデルの予測の不確実性に基づくもので、サンプルがどの程度情報的であるかの尺度として解釈できる。
本稿では,予測されたラベルの不一致の最小確率として,最小不一致距離(LDM)を提案する。
論文 参考訳（メタデータ） (2024-01-18T08:12:23Z) - Face Presentation Attack Detection by Excavating Causal Clues and
Adapting Embedding Statistics [9.612556145185431]
顔提示攻撃検出(PAD)はドメイン適応(DA)とドメイン一般化(DG)技術を用いて未知のドメインの性能劣化に対処する。
ほとんどのDGベースのPADソリューションは、プライオリ、すなわち既知のドメインラベルに依存している。
本稿では、因果的観点から複合DGタスクとして顔PADをモデル化し、モデル最適化にリンクすることを提案する。
論文 参考訳（メタデータ） (2023-08-28T13:11:05Z) - Consistency Regularization for Generalizable Source-free Domain
Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。
既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。
より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-03T07:45:53Z) - Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。
既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。
本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2023-07-31T10:22:33Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T08:24:50Z) - Face Presentation Attack Detection using Taskonomy Feature [26.343512092423985]
顔認識システム(FRS)の安全性を確保するため、提示攻撃検出(PAD)手法が重要である
既存のPAD法は、限られたトレーニングセットに大きく依存しており、未知のPAによく当てはまらない。
我々は、他の顔関連タスクからタスクノミー(タスク分類)を適用して、顔PADを解決することを提案する。
論文 参考訳（メタデータ） (2021-11-22T08:35:26Z) - DEALIO: Data-Efficient Adversarial Learning for Imitation from
Observation [57.358212277226315]
観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。
近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。
この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。
よりデータ効率の高いifOアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-31T23:46:32Z) - Unsupervised learning of disentangled representations in deep restricted
kernel machines with orthogonality constraints [15.296955630621566]
Constr-DRKMは、非教師なしデータ表現の学習のためのディープカーネル手法である。
本研究では,不整合特徴学習における提案手法の有効性を定量的に評価する。
論文 参考訳（メタデータ） (2020-11-25T11:40:10Z) - A Zero-Shot based Fingerprint Presentation Attack Detection System [8.676298469169174]
PADモデルの一般化を保証するため,新しいゼロショット提示検出モデルを提案する。
生成モデルに基づくZSPADモデルでは, 確立過程において負のサンプルを一切利用しない。
本論文では,提案モデルの性能向上のために,9つの信頼性スコアについて論じる。
論文 参考訳（メタデータ） (2020-02-12T10:52:38Z)
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。