論文の概要: SpoofGAN: Synthetic Fingerprint Spoof Images
- arxiv url: http://arxiv.org/abs/2204.06498v1
- Date: Wed, 13 Apr 2022 16:27:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-14 13:19:53.448938
- Title: SpoofGAN: Synthetic Fingerprint Spoof Images
- Title（参考訳）: spoofgan:合成指紋spoof画像
- Authors: Steven A. Grosz and Anil K. Jain
- Abstract要約: 指紋スプーフ検出の進歩に対する大きな制限は、公開可能な大規模な指紋スプーフデータセットの欠如である。
この研究は、これらのアルゴリズムに十分なデータを供給する際に、合成指紋(ライブ指紋とスプーフ指紋の両方)の有用性を実証することを目的としている。
- 参考スコア（独自算出の注目度）: 47.87570819350573
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A major limitation to advances in fingerprint spoof detection is the lack of
publicly available, large-scale fingerprint spoof datasets, a problem which has
been compounded by increased concerns surrounding privacy and security of
biometric data. Furthermore, most state-of-the-art spoof detection algorithms
rely on deep networks which perform best in the presence of a large amount of
training data. This work aims to demonstrate the utility of synthetic (both
live and spoof) fingerprints in supplying these algorithms with sufficient data
to improve the performance of fingerprint spoof detection algorithms beyond the
capabilities when training on a limited amount of publicly available real
datasets. First, we provide details of our approach in modifying a
state-of-the-art generative architecture to synthesize high quality live and
spoof fingerprints. Then, we provide quantitative and qualitative analysis to
verify the quality of our synthetic fingerprints in mimicking the distribution
of real data samples. We showcase the utility of our synthetic live and spoof
fingerprints in training a deep network for fingerprint spoof detection, which
dramatically boosts the performance across three different evaluation datasets
compared to an identical model trained on real data alone. Finally, we
demonstrate that only 25% of the original (real) dataset is required to obtain
similar detection performance when augmenting the training dataset with
synthetic data.
- Abstract（参考訳）: 指紋spoof検出の進歩に対する大きな制限は、一般公開された大規模指紋spoofデータセットの欠如である。
さらに、最先端のspoof検出アルゴリズムの多くは、大量のトレーニングデータが存在する場合に最適なディープネットワークに依存している。
この研究は、公開されている実際のデータセットの限られた量のトレーニングにおいて、指紋スプーフ検出アルゴリズムの性能を向上させるために、これらのアルゴリズムに十分なデータを供給する際に、合成指紋(ライブ指紋とスプーフ指紋の両方)の有用性を実証することを目的としている。
まず,最先端の生成アーキテクチャを改良して高品質なliveとspoofの指紋を合成する手法の詳細を述べる。
そこで本研究では,実データサンプルの分布を模倣して,合成指紋の品質を定量的かつ質的に検証する。
実データのみにトレーニングされたモデルと比較して,3つの異なる評価データセットでのパフォーマンスを劇的に向上させる,深層ネットワークによる指紋検出のトレーニングにおいて,合成したliveおよびspoof指紋の有用性を示す。
最後に、トレーニングデータセットを合成データで拡張する場合、同様の検出性能を得るために、元の(実)データセットの25%しか必要としないことを示す。
関連論文リスト
- FPGAN-Control: A Controllable Fingerprint Generator for Training with
Synthetic Data [7.203557048672379]
画像生成フレームワークであるFPGAN-Controlについて述べる。
指紋の識別と外観特性の絡み合いを助長する新規な外観損失を導入する。
FPGAN-Controlのメリットを,アイデンティティレベル,外観制御の程度,合成ドメイン間ギャップの低さの観点から定量的かつ定性的に示す。
論文 参考訳（メタデータ） (2023-10-29T14:30:01Z) - Synthetic Latent Fingerprint Generation Using Style Transfer [6.530917936319386]
そこで我々は,現実的な潜伏指紋を合成するために,スタイル転送と画像ブレンディングを用いたシンプルで効果的なアプローチを提案する。
評価基準と実験により,生成した合成潜伏指紋は,入力された接触指紋から識別情報を保存していることが示された。
論文 参考訳（メタデータ） (2023-09-27T15:47:00Z) - Synthesis and Reconstruction of Fingerprints using Generative
Adversarial Networks [6.700873164609009]
本稿では,StyleGan2アーキテクチャに基づく新しい指紋合成・再構成フレームワークを提案する。
また,生成した指紋の属性を同一性を保ちながら修正する計算手法も提案する。
提案手法は, 指紋合成と復元の両面において, 現代的手法よりも優れていることを示した。
論文 参考訳（メタデータ） (2022-01-17T00:18:00Z) - A high performance fingerprint liveness detection method based on
quality related features [66.41574316136379]
このシステムは、10,500枚以上の実画像と偽画像からなる非常に難しいデータベースでテストされている。
提案手法はマルチシナリオデータセットに対して堅牢であることが証明され、全体の90%が正しく分類されたサンプルである。
論文 参考訳（メタデータ） (2021-11-02T21:09:39Z) - ProxyFAUG: Proximity-based Fingerprint Augmentation [81.15016852963676]
ProxyFAUGはルールベースで近接性に基づく指紋増強法である。
このデータセット上で最高のパフォーマンスの測位法は、中央値エラーで40%改善され、平均誤差で6%向上した。
論文 参考訳（メタデータ） (2021-02-04T15:59:30Z) - Responsible Disclosure of Generative Models Using Scalable
Fingerprinting [70.81987741132451]
深層生成モデルは質的に新しいパフォーマンスレベルを達成した。
この技術がスプーフセンサーに誤用され、ディープフェイクを発生させ、大規模な誤情報を可能にするという懸念がある。
最先端のジェネレーションモデルを責任を持って公開することで、研究者や企業がモデルに指紋を刻むことができます。
論文 参考訳（メタデータ） (2020-12-16T03:51:54Z) - Artificial Fingerprinting for Generative Models: Rooting Deepfake
Attribution in Training Data [64.65952078807086]
光現実性画像生成は、GAN(Generative Adversarial Network)のブレークスルーにより、新たな品質レベルに達した。
しかし、このようなディープフェイクのダークサイド、すなわち生成されたメディアの悪意ある使用は、視覚的誤報に関する懸念を提起する。
我々は,モデルに人工指紋を導入することによって,深度検出の積極的な,持続可能なソリューションを模索する。
論文 参考訳（メタデータ） (2020-07-16T16:49:55Z) - Latent Fingerprint Registration via Matching Densely Sampled Points [100.53031290339483]
既存の潜伏指紋登録手法は、主にミツバチ間の対応を確立することに基づいている。
本研究では,一対の指紋間の空間的変換を推定する,最小限の潜伏指紋登録手法を提案する。
提案手法は,特に挑戦的な条件下で,最先端の登録性能を実現する。
論文 参考訳（メタデータ） (2020-05-12T15:51:59Z) - Dense Registration and Mosaicking of Fingerprints by Training an
End-to-End Network [36.50244665233824]
エンド・ツー・エンド・ネットワークをトレーニングし、2つの指紋間の画素単位の変位場を出力する。
また,最適なシーム選択に基づく指紋モザイク手法を提案する。
我々の登録法は,従来の密度の高い登録方法よりも精度と効率が優れている。
論文 参考訳（メタデータ） (2020-04-13T14:47:00Z)
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。