論文の概要: An Ensemble Model for Face Liveness Detection

• arxiv url: http://arxiv.org/abs/2201.08901v1
• Date: Wed, 19 Jan 2022 12:43:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-30 12:15:26.519428
• Title: An Ensemble Model for Face Liveness Detection
• Title（参考訳）: 顔のライブネス検出のためのアンサンブルモデル
• Authors: Shashank Shekhar, Avinash Patel, Mrinal Haloi, Asif Salim
• Abstract要約: 本研究では,アンサンブル深層学習技術を用いて顔提示攻撃を検出する受動的手法を提案する。 本研究では,顔領域と背景領域の複数の特徴を学習し,ユーザがボナフィドか攻撃者かを予測するアンサンブル手法を提案する。
• 参考スコア（独自算出の注目度）: 2.322052136673525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we present a passive method to detect face presentation attack a.k.a face liveness detection using an ensemble deep learning technique. Face liveness detection is one of the key steps involved in user identity verification of customers during the online onboarding/transaction processes. During identity verification, an unauthenticated user tries to bypass the verification system by several means, for example, they can capture a user photo from social media and do an imposter attack using printouts of users faces or using a digital photo from a mobile device and even create a more sophisticated attack like video replay attack. We have tried to understand the different methods of attack and created an in-house large-scale dataset covering all the kinds of attacks to train a robust deep learning model. We propose an ensemble method where multiple features of the face and background regions are learned to predict whether the user is a bonafide or an attacker.
• Abstract（参考訳）: 本稿では,アンサンブル深層学習技術を用いて,顔提示攻撃,すなわち顔の生存度を検出する受動的手法を提案する。 顔のライブ性検出は、オンラインのオンボーディング/トランザクションプロセスにおける顧客のユーザアイデンティティ検証に関わる重要なステップの1つだ。 例えば、ソーシャルメディアからユーザ写真をキャプチャして、ユーザの顔のプリントアウトを使ったインポスタ攻撃や、モバイルデバイスからのデジタル写真の使用、さらにはビデオ再生攻撃のようなより高度な攻撃などを行うことができる。 さまざまな攻撃方法を理解しようと試み、堅牢なディープラーニングモデルをトレーニングするために、あらゆる種類の攻撃をカバーする社内の大規模データセットを作成しました。 本研究では,顔領域と背景領域の複数の特徴を学習し,ユーザがボナフィドか攻撃者かを予測するアンサンブル手法を提案する。

関連論文リスト

• Semantic Contextualization of Face Forgery: A New Definition, Dataset, and Detection Method [77.65459419417533]
  我々は,顔フォージェリを意味的文脈に配置し,意味的顔属性を変更する計算手法が顔フォージェリの源であることを定義した。 階層的なグラフで整理されたラベルの集合に各画像が関連付けられている大規模な顔偽画像データセットを構築した。 本稿では,ラベル関係を捕捉し,その優先課題を優先するセマンティクス指向の顔偽造検出手法を提案する。
  論文  参考訳（メタデータ） (2024-05-14T10:24:19Z)
• Exploring Decision-based Black-box Attacks on Face Forgery Detection [53.181920529225906]
  顔の偽造生成技術は鮮明な顔を生み出し、セキュリティとプライバシーに対する世間の懸念を高めている。 顔偽造検出は偽の顔の識別に成功しているが、最近の研究では顔偽造検出は敵の例に対して非常に脆弱であることが示されている。
  論文  参考訳（メタデータ） (2023-10-18T14:49:54Z)
• A Novel Active Solution for Two-Dimensional Face Presentation Attack Detection [0.0]
  本研究では,プレゼンテーション攻撃検出に関わる課題と解決策について,現状を考察する。 プレゼンテーションアタックは、写真、ビデオ、マスク、化粧など、生きていない顔をカメラに提示する試みである。 本稿では,既存の文献の弱点を克服する効果的な能動的提示攻撃検出手法を提案する。
  論文  参考訳（メタデータ） (2022-12-14T00:30:09Z)
• OPOM: Customized Invisible Cloak towards Face Privacy Protection [58.07786010689529]
  我々は、新しいタイプのカスタマイズクロークに基づく技術の観点から、顔のプライバシ保護について検討する。 本研究では,個人固有の(クラスワイドな)ユニバーサルマスクを生成するために,1人1マスク(OPOM)という新しい手法を提案する。 提案手法の有効性を,共通データセットと有名データセットの両方で評価した。
  論文  参考訳（メタデータ） (2022-05-24T11:29:37Z)
• Restricted Black-box Adversarial Attack Against DeepFake Face Swapping [70.82017781235535]
  本稿では,顔画像偽造モデルに対する問い合わせを一切必要としない現実的な敵攻撃を提案する。 本手法は,顔の再構成を行う代用モデルに基づいて構築され,置換モデルから非アクセス可能なブラックボックスDeepFakeモデルへの逆例を直接転送する。
  論文  参考訳（メタデータ） (2022-04-26T14:36:06Z)
• Introduction to Presentation Attack Detection in Face Biometrics and Recent Advances [21.674697346594158]
  次のページでは、顔認識システムが直面する可能性のある、異なるプレゼンテーションアタックを示す。 顔認識の現状と,その展開レベル,課題について紹介する。 我々は,より単純なものからより複雑なものまで,さまざまな種類のプレゼンテーションアタック手法について検討し,その効果を検証した。
  論文  参考訳（メタデータ） (2021-11-23T11:19:22Z)
• MixNet for Generalized Face Presentation Attack Detection [63.35297510471997]
  我々は、プレゼンテーションアタックを検出するための、TextitMixNetと呼ばれるディープラーニングベースのネットワークを提案している。 提案アルゴリズムは最先端の畳み込みニューラルネットワークアーキテクチャを利用して,各攻撃カテゴリの特徴マッピングを学習する。
  論文  参考訳（メタデータ） (2020-10-25T23:01:13Z)
• Towards Face Encryption by Generating Adversarial Identity Masks [53.82211571716117]
  敵の識別マスクを生成するためのターゲットID保護反復法(TIP-IM)を提案する。 TIP-IMは、様々な最先端の顔認識モデルに対して95%以上の保護成功率を提供する。
  論文  参考訳（メタデータ） (2020-03-15T12:45:10Z)

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。