論文の概要: Transfer learning using deep neural networks for Ear Presentation Attack
Detection: New Database for PAD
- arxiv url: http://arxiv.org/abs/2112.05237v1
- Date: Thu, 9 Dec 2021 22:34:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-13 15:24:40.323264
- Title: Transfer learning using deep neural networks for Ear Presentation Attack
Detection: New Database for PAD
- Title（参考訳）: 耳提示検出のためのディープニューラルネットワークを用いた伝達学習:PADのための新しいデータベース
- Authors: Jalil Nourmohammadi Khiarak
- Abstract要約: PAD(PAD)データベースは公開されていない。
我々は、事前訓練されたディープニューラルネットワークを用いたPAD手法を提案し、WUT-Ear V1.0(Wawaw University of Technology Ear for Presentation Detection)と呼ばれる新しいデータセットをリリースする。
私たちは134人の被験者から8500以上の本物の耳画像と8500以上の偽の耳画像を取得しました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ear recognition system has been widely studied whereas there are just a few
ear presentation attack detection methods for ear recognition systems,
consequently, there is no publicly available ear presentation attack detection
(PAD) database. In this paper, we propose a PAD method using a pre-trained deep
neural network and release a new dataset called Warsaw University of Technology
Ear Dataset for Presentation Attack Detection (WUT-Ear V1.0). There is no ear
database that is captured using mobile devices. Hence, we have captured more
than 8500 genuine ear images from 134 subjects and more than 8500 fake ear
images using. We made replay-attack and photo print attacks with 3 different
mobile devices. Our approach achieves 99.83% and 0.08% for the half total error
rate (HTER) and attack presentation classification error rate (APCER),
respectively, on the replay-attack database. The captured data is analyzed and
visualized statistically to find out its importance and make it a benchmark for
further research. The experiments have been found out a secure PAD method for
ear recognition system, publicly available ear image, and ear PAD dataset. The
codes and evaluation results are publicly available at
https://github.com/Jalilnkh/KartalOl-EAR-PAD.
- Abstract（参考訳）: 音声認識システムは広く研究されているが,音声認識システムでは耳提示攻撃検出方法が少数しか存在せず,一般に利用可能な耳提示攻撃検出(pad)データベースは存在していない。
本稿では,事前学習したディープニューラルネットワークを用いたパディング手法を提案し,ワルシャワ工科大学のプレゼンテーションアタック検出用耳データセット(wut-ear v1.0)を新たに公開する。
モバイルデバイスを使ってキャプチャされる耳データベースはありません。
したがって、134人の被験者から8500以上の本物の耳画像と8500以上の偽の耳画像が得られた。
3種類のモバイルデバイスでリプレイアタックや写真プリント攻撃を行いました。
本手法は,リプレイ・アタック・データベース上で,ハーフ・トータル・エラーレート (hter) とアタック・プレゼンテーション・分類エラーレート (apcer) に対して99.83% と 0.08% をそれぞれ達成した。
取得したデータは統計的に分析され視覚化され、その重要性を把握し、さらなる研究のためのベンチマークとなる。
実験により、耳認識システムのための安全なPAD法、公用耳画像、耳PADデータセットが発見された。
コードと評価結果はhttps://github.com/Jalilnkh/KartalOl-EAR-PADで公開されている。
関連論文リスト
- BAPLe: Backdoor Attacks on Medical Foundational Models using Prompt Learning [71.60858267608306]
医療基盤モデルはバックドア攻撃の影響を受けやすい。
本研究は,素早い学習期間中に医療基盤モデルにバックドアを埋め込む方法を紹介する。
我々の手法であるBAPLeは、ノイズトリガを調整するために最小限のデータサブセットしか必要とせず、テキストは下流のタスクにプロンプトする。
論文 参考訳（メタデータ） (2024-08-14T10:18:42Z) - The Codecfake Dataset and Countermeasures for the Universally Detection of Deepfake Audio [42.84634652376024]
ALMベースのディープフェイクオーディオは、広範に広範に、高い騙しと、多目的性を示す。
本研究では,ALMに基づくディープフェイク音声を効果的に検出するために,ALMに基づく音声生成手法のメカニズムに着目した。
ドメインバランスと一般化されたミニマを学習するための CSAM 戦略を提案する。
論文 参考訳（メタデータ） (2024-05-08T08:28:40Z) - Sound-Print: Generalised Face Presentation Attack Detection using Deep
Representation of Sound Echoes [3.4062121615342553]
送信信号の反射プロファイルに基づいてPAを検出するスマートフォンに,音響エコーによる顔提示検出(PAD)を提案する。
ヒトの皮膚と人工物の反射特性が異なるため, ホウ素およびPAの反射プロファイルは異なる。
論文 参考訳（メタデータ） (2023-09-24T17:32:01Z) - FIBA: Frequency-Injection based Backdoor Attack in Medical Image
Analysis [82.2511780233828]
本稿では,様々な医療画像解析タスクにおいて,攻撃を行うことのできる新しい周波数注入型バックドアアタック法(FIBA)を提案する。
具体的には、FIBAは、両方の画像のスペクトル振幅を線形に組み合わせることで、トリガー画像の低周波情報を有毒画像に注入できる周波数領域のトリガー関数を利用する。
論文 参考訳（メタデータ） (2021-12-02T11:52:17Z) - Spotting adversarial samples for speaker verification by neural vocoders [102.1486475058963]
我々は、自動話者検証(ASV)のための敵対サンプルを見つけるために、ニューラルボコーダを採用する。
元の音声と再合成音声のASVスコアの違いは、真正と逆正のサンプルの識別に良い指標であることがわかった。
私たちのコードは、将来的な比較作業のためにオープンソースにされます。
論文 参考訳（メタデータ） (2021-07-01T08:58:16Z) - Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural
Networks [68.8204255655161]
私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。
最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
論文 参考訳（メタデータ） (2020-12-29T01:14:17Z) - Audio Spoofing Verification using Deep Convolutional Neural Networks by
Transfer Learning [0.0]
本稿では,スプーフィング攻撃を検出するために,ディープ畳み込みニューラルネットワークに基づく音声分類器を提案する。
提案手法は,メル周波数スケールにおけるパワースペクトル密度の音響的時間周波数表現を用いた。
我々は、開発において0.9056%、論理アクセスシナリオの評価データセットにおいて5.32%の誤差率(EER)を達成した。
論文 参考訳（メタデータ） (2020-08-08T07:14:40Z) - Anomaly Detection-Based Unknown Face Presentation Attack Detection [74.4918294453537]
異常検出に基づくスプーフ攻撃検出は、顔提示攻撃検出の最近の進歩である。
本稿では,異常検出に基づくスプーフ攻撃検出のためのディープラーニングソリューションを提案する。
提案手法はCNNの表現学習能力の恩恵を受け,fPADタスクの優れた特徴を学習する。
論文 参考訳（メタデータ） (2020-07-11T21:20:55Z) - Cross-Task Transfer for Geotagged Audiovisual Aerial Scene Recognition [61.54648991466747]
映像と音を入力として用いた視覚的空中シーン認識タスクについて検討する。
航空シーン認識のための音声情報を活用する利点を示す。
論文 参考訳（メタデータ） (2020-05-18T04:14:16Z) - Deep convolutional neural networks for face and iris presentation attack
detection: Survey and case study [0.5801044612920815]
顔PADのクロスデータセット評価は,術式よりも一般化が良好であった。
顔と虹彩の両方の攻撃を検出するために訓練された1つのディープネットワークを提案する。
論文 参考訳（メタデータ） (2020-04-25T02:06:19Z)
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。