論文の概要: Intra and Cross-spectrum Iris Presentation Attack Detection in the NIR and Visible Domains Using Attention-based and Pixel-wise Supervised Learning

• arxiv url: http://arxiv.org/abs/2205.02573v1
• Date: Thu, 5 May 2022 11:12:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-06 14:55:45.219815
• Title: Intra and Cross-spectrum Iris Presentation Attack Detection in the NIR and Visible Domains Using Attention-based and Pixel-wise Supervised Learning
• Title（参考訳）: 注意型および画素間教師付き学習によるnir領域および可視領域におけるiris提示アタック検出
• Authors: Meiling Fang, Fadi Boutros, Naser Damer
• Abstract要約: アイリス提示攻撃検出(PAD)はアイリス認識システムに必須である。 近年のIris PADソリューションは、ディープラーニング技術を活用して優れた性能を実現している。 本章では,新しい注目型深部画素二元監督法(A-PBS)を提案する。
• 参考スコア（独自算出の注目度）: 8.981081097203088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Iris Presentation Attack Detection (PAD) is essential to secure iris recognition systems. Recent iris PAD solutions achieved good performance by leveraging deep learning techniques. However, most results were reported under intra-database scenarios and it is unclear if such solutions can generalize well across databases and capture spectra. These PAD methods run the risk of overfitting because of the binary label supervision during the network training, which serves global information learning but weakens the capture of local discriminative features. This chapter presents a novel attention-based deep pixel-wise binary supervision (A-PBS) method. A-PBS utilizes pixel-wise supervision to capture the fine-grained pixel/patch-level cues and attention mechanism to guide the network to automatically find regions where most contribute to an accurate PAD decision. Extensive experiments are performed on six NIR and one visible-light iris databases to show the effectiveness and robustness of proposed A-PBS methods. We additionally conduct extensive experiments under intra-/cross-database and intra-/cross-spectrum for detailed analysis. The results of our experiments indicates the generalizability of the A-PBS iris PAD approach.
• Abstract（参考訳）: アイリス提示攻撃検出(PAD)はアイリス認識システムに必須である。 近年のIris PADソリューションは、ディープラーニング技術を活用して優れた性能を実現している。 しかし、ほとんどの結果はデータベース内のシナリオで報告されており、そのようなソリューションがデータベースを横断してスペクトルをキャプチャできるかどうかは不明だ。 これらのPAD手法は、グローバルな情報学習を提供するが、局所的な差別的特徴の獲得を弱めるネットワークトレーニング中にバイナリラベルが監督されるため、過度に適合するリスクを負う。 本章では,新しい注目型深部画素二元監督法(A-PBS)を提案する。 a-pbsはピクセル単位で監督を行い、細粒度のピクセル/パッチレベルの手がかりと注意機構を捉え、ネットワークを誘導し、最も正確なパッド決定に寄与する領域を自動的に見つける。 6つのNIRと1つの可視光アイリスデータベース上で実験を行い、提案手法の有効性とロバスト性を示した。 さらに、詳細な分析のために、データベース内/クロスベースおよびスペクトル内/クロススペクトルで広範な実験を行う。 実験の結果,A-PBSアイリスPAD法の一般化可能性を示した。

関連論文リスト

• Learning Contrastive Feature Representations for Facial Action Unit Detection [7.365839694761861]
  教師付き信号と自己教師型信号の両方によって強化されたコントラスト学習フレームワークを導入する。 目的は,従来の画素レベルの学習パラダイムから逸脱した識別的特徴の獲得である。 各AUタイプの不均衡分布を軽減するため、少数AUに適した重み付け戦略を採用する。
  論文  参考訳（メタデータ） (2024-02-09T03:48:20Z)
• Towards Generalizable Deepfake Detection by Primary Region Regularization [52.41801719896089]
  本稿では,新しい正規化の観点から一般化能力を高める。 本手法は, 一次領域マップの静的な位置決めと, 一次領域マスクの動的利用の2段階からなる。 5つのバックボーンを持つDFDC,DF-1.0,Celeb-DFの3種類のディープフェイクデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-07-24T05:43:34Z)
• Pseudo-Labeling Enhanced by Privileged Information and Its Application to In Situ Sequencing Images [0.9928479118868602]
  本研究では,空間転写学において,半教師付き物体検出問題として重要な問題を提起する。 提案フレームワークは,情報ソースを半教師付き学習フレームワークに組み込む。 利用可能な特権情報は、データドメイン固有のものだが、擬似ラベルの一般的な戦略を導入している。
  論文  参考訳（メタデータ） (2023-06-28T03:44:42Z)
• Internal Structure Attention Network for Fingerprint Presentation Attack Detection from Optical Coherence Tomography [7.241363249424351]
  本稿では,ネットワークトレーニングの指導に事前知識を適用した,教師付き学習に基づく新しいPAD手法ISAPADを提案する。 提案したデュアルブランチアーキテクチャは,OCT画像からグローバルな特徴を学習するだけでなく,階層構造にも注目する。 単純で効果的なISAMにより、提案ネットワークは、ノイズの多いOCTボリュームデータから、ボナフィドに属する層状セグメンテーション特徴を得ることができる。
  論文  参考訳（メタデータ） (2023-03-20T11:36:09Z)
• Background Matters: Enhancing Out-of-distribution Detection with Domain Features [90.32910087103744]
  OODサンプルは任意の分布から引き出すことができ、様々な次元における分布内(ID)データからの偏差を示す。 既存の方法は、ドメインの特徴のような他の次元を無視しながら、意味的特徴に基づいてOODサンプルを検出することに重点を置いている。 本稿では,IDトレーニングサンプルからドメインの特徴を高密度な予測手法により学習することのできる,新しい汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:12:14Z)
• 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)
• Centralized Feature Pyramid for Object Detection [53.501796194901964]
  視覚的特徴ピラミッドは、広範囲のアプリケーションにおいて、有効性と効率の両方において、その優位性を示している。 本稿では,オブジェクト検出のためのOLO特徴ピラミッドを提案する。
  論文  参考訳（メタデータ） (2022-10-05T08:32:54Z)
• DFCANet: Dense Feature Calibration-Attention Guided Network for Cross Domain Iris Presentation Attack Detection [2.95102708174421]
  アイリス提示攻撃検出(IPAD)は個人識別の確保に不可欠である。 既存のIPADアルゴリズムは、目に見えないクロスドメインシナリオにうまく一般化しない。 本稿では,DFCANet: Dense Feature and Attention Guided Networkを提案する。
  論文  参考訳（メタデータ） (2021-11-01T13:04:23Z)
• Iris Presentation Attack Detection by Attention-based and Deep Pixel-wise Binary Supervision Network [6.704751710867745]
  虹彩提示攻撃検出(PAD)は虹彩認識システムにおいて重要な役割を担っている。 既存のCNNベースのPADソリューションの多くは、CNNのトレーニング中にバイナリラベルを監督するのみである。 本稿では,A-PBS(Deep Pixel-wise binary supervision)法を提案する。
  論文  参考訳（メタデータ） (2021-06-28T16:47:08Z)
• Generalized Iris Presentation Attack Detection Algorithm under Cross-Database Settings [63.90855798947425]
  プレゼンテーションアタックは、バイオメトリックなモダリティの大部分に大きな課題をもたらす。 本稿では,汎用的な深層学習に基づくプレゼンテーション攻撃検出ネットワークであるMVANetを提案する。 これはハイブリッドアルゴリズムの単純さと成功、あるいは複数の検出ネットワークの融合にインスパイアされている。
  論文  参考訳（メタデータ） (2020-10-25T22:42:27Z)
• Cross-domain Face Presentation Attack Detection via Multi-domain Disentangled Representation Learning [109.42987031347582]
  顔提示攻撃検出(PAD)は,顔認識システムにおいて緊急に解決すべき課題である。 クロスドメイン顔PADのための効率的な非交叉表現学習を提案する。 我々のアプローチは、不整合表現学習(DR-Net)とマルチドメイン学習(MD-Net)からなる。
  論文  参考訳（メタデータ） (2020-04-04T15:45:14Z)

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。