論文の概要: Federated Test-Time Adaptive Face Presentation Attack Detection with Dual-Phase Privacy Preservation

• arxiv url: http://arxiv.org/abs/2110.12613v1
• Date: Mon, 25 Oct 2021 02:51:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-26 16:00:39.012775
• Title: Federated Test-Time Adaptive Face Presentation Attack Detection with Dual-Phase Privacy Preservation
• Title（参考訳）: 2相プライバシー保護によるフェデレーションテスト時間適応顔提示検出
• Authors: Rui Shao, Bochao Zhang, Pong C. Yuen, Vishal M. Patel
• Abstract要約: 顔提示攻撃検出(fPAD)は、現代の顔認識パイプラインにおいて重要な役割を果たす。 法的およびプライバシー上の問題により、トレーニングデータ(実際の顔画像と偽画像)は、異なるデータソース間で直接共有することはできない。 本稿では,二相プライバシー保護フレームワークを用いたフェデレーションテスト時間適応顔提示検出を提案する。
• 参考スコア（独自算出の注目度）: 100.69458267888962
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face presentation attack detection (fPAD) plays a critical role in the modern face recognition pipeline. The generalization ability of face presentation attack detection models to unseen attacks has become a key issue for real-world deployment, which can be improved when models are trained with face images from different input distributions and different types of spoof attacks. In reality, due to legal and privacy issues, training data (both real face images and spoof images) are not allowed to be directly shared between different data sources. In this paper, to circumvent this challenge, we propose a Federated Test-Time Adaptive Face Presentation Attack Detection with Dual-Phase Privacy Preservation framework, with the aim of enhancing the generalization ability of fPAD models in both training and testing phase while preserving data privacy. In the training phase, the proposed framework exploits the federated learning technique, which simultaneously takes advantage of rich fPAD information available at different data sources by aggregating model updates from them without accessing their private data. To further boost the generalization ability, in the testing phase, we explore test-time adaptation by minimizing the entropy of fPAD model prediction on the testing data, which alleviates the domain gap between training and testing data and thus reduces the generalization error of a fPAD model. We introduce the experimental setting to evaluate the proposed framework and carry out extensive experiments to provide various insights about the proposed method for fPAD.
• Abstract（参考訳）: 顔提示攻撃検出(fPAD)は、現代の顔認識パイプラインにおいて重要な役割を果たす。 顔提示アタック検出モデルの一般化は,実世界の展開において重要な課題となっている。入力分布の異なる顔画像とspoof攻撃の異なるタイプをモデルで訓練することで,改善が期待できる。 実際、法的およびプライバシー上の問題により、トレーニングデータ(実際の顔画像と偽画像の両方)は、異なるデータソース間で直接共有することはできない。 本稿では、この課題を回避するために、データプライバシを保護しつつ、トレーニングおよびテストフェーズにおけるfPADモデルの一般化能力を向上することを目的とした、二重位相プライバシー保護フレームワークによるフェデレーションテスト時適応顔提示検出を提案する。 トレーニング段階において,提案するフレームワークは,異なるデータソースで利用可能な豊富なfPAD情報を,プライベートデータにアクセスすることなく,モデル更新を集約することで同時に活用するフェデレート学習技術を利用する。 テストフェーズにおいて、テストデータに対するfPADモデル予測のエントロピーを最小化し、トレーニングデータとテストデータのドメインギャップを軽減し、fPADモデルの一般化誤差を低減することにより、テスト時間適応のさらなる向上を図る。 本稿では,提案するフレームワークを評価するための実験環境について紹介し,fPADの手法に関する様々な知見を提供する。

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)
• Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
  ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。 従来の偽造検出手法は、データを直接集中的に訓練する。 本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
  論文  参考訳（メタデータ） (2024-06-17T02:20:30Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• Disentangled Representation with Dual-stage Feature Learning for Face Anti-spoofing [18.545438302664756]
  事前に定義されたスプーフ攻撃タイプに過度に適合しないように、より一般化され差別的な特徴を学ぶことが不可欠である。 本稿では,無関係な特徴からスプーフ関連特徴を効果的に解き放つことができる,新しい二段階不整形表現学習法を提案する。
  論文  参考訳（メタデータ） (2021-10-18T10:22:52Z)
• Federated Generalized Face Presentation Attack Detection [112.27662334648302]
  本稿では,FedPAD(Federated Face Presentation Detection)フレームワークを提案する。 FedPADは、データプライバシを保持しながら、異なるデータオーナで利用可能な豊富なfPAD情報を活用する。 サーバは、データセンターからfPADモデルのドメイン不変部分を集約するだけで、グローバルなfPADモデルを学習する。
  論文  参考訳（メタデータ） (2021-04-14T02:44:53Z)
• Sampling Attacks: Amplification of Membership Inference Attacks by Repeated Queries [74.59376038272661]
  本手法は,他の標準メンバーシップ相手と異なり,被害者モデルのスコアにアクセスできないような厳格な制限の下で動作可能な,新しいメンバーシップ推論手法であるサンプリングアタックを導入する。 ラベルのみを公開している被害者モデルでは,攻撃のサンプリングが引き続き可能であり,攻撃者はその性能の最大100%を回復できることを示す。 防衛においては,被害者モデルのトレーニング中の勾配摂動と予測時の出力摂動の形式で差分プライバシーを選択する。
  論文  参考訳（メタデータ） (2020-09-01T12:54:54Z)
• Federated Face Presentation Attack Detection [93.25058425356694]
  顔提示攻撃検出(fPAD)は、現代の顔認識パイプラインにおいて重要な役割を果たす。 本稿では,FedPAD(Federated Face Presentation Detection)フレームワークを提案する。 FedPADは、データプライバシを保持しながら、異なるデータオーナで利用可能な豊富なfPAD情報を同時に活用する。
  論文  参考訳（メタデータ） (2020-05-29T15:56:01Z)

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。