論文の概要: Unsupervised Face Morphing Attack Detection via Self-paced Anomaly Detection

• arxiv url: http://arxiv.org/abs/2208.05787v1
• Date: Thu, 11 Aug 2022 12:21:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-12 13:17:03.721244
• Title: Unsupervised Face Morphing Attack Detection via Self-paced Anomaly Detection
• Title（参考訳）: 自己ペーシング異常検出による教師なし顔モーフィング攻撃検出
• Authors: Meiling Fang and Fadi Boutros and Naser Damer
• Abstract要約: SPL-MAD(Self-paced Anomaly Detection)による全く教師なしのモーフィング攻撃検出ソリューションを提案する。 我々は、既存の大規模顔認識(FR)データセットと、畳み込みオートエンコーダの教師なしの性質を活用している。 実験の結果,提案したSPL-MADソリューションは広範囲の教師付きMADソリューションの全体的な性能より優れていた。
• 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: The supervised-learning-based morphing attack detection (MAD) solutions achieve outstanding success in dealing with attacks from known morphing techniques and known data sources. However, given variations in the morphing attacks, the performance of supervised MAD solutions drops significantly due to the insufficient diversity and quantity of the existing MAD datasets. To address this concern, we propose a completely unsupervised MAD solution via self-paced anomaly detection (SPL-MAD) by leveraging the existing large-scale face recognition (FR) datasets and the unsupervised nature of convolutional autoencoders. Using general FR datasets that might contain unintentionally and unlabeled manipulated samples to train an autoencoder can lead to a diverse reconstruction behavior of attack and bona fide samples. We analyze this behavior empirically to provide a solid theoretical ground for designing our unsupervised MAD solution. This also results in proposing to integrate our adapted modified self-paced learning paradigm to enhance the reconstruction error separability between the bona fide and attack samples in a completely unsupervised manner. Our experimental results on a diverse set of MAD evaluation datasets show that the proposed unsupervised SPL-MAD solution outperforms the overall performance of a wide range of supervised MAD solutions and provides higher generalizability on unknown attacks.
• Abstract（参考訳）: 教師付き学習に基づくモーフィング攻撃検出(MAD)ソリューションは、既知のモーフィング技術や既知のデータソースからの攻撃に対処する上で、優れた成功を収めている。 しかし, モーフィング攻撃のバリエーションを考慮すると, 既存のMADデータセットの多様性と量不足により, 教師付きMADソリューションの性能は著しく低下する。 そこで本稿では,既存の大規模顔認識(FR)データセットと,畳み込みオートエンコーダの教師なし特性を活用することで,自己ペースト異常検出(SPL-MAD)による完全に教師なしのMADソリューションを提案する。 非意図的かつラベルなしの操作済みサンプルを含む一般的なfrデータセットを使用してオートエンコーダをトレーニングすることは、攻撃とボナファイドサンプルの多様な再構成行動につながる可能性がある。 我々は、この挙動を経験的に分析し、教師なしのMADソリューションを設計するための確かな理論的基盤を提供する。 これはまた、修正された自己評価学習パラダイムを統合し、完全に教師なしの方法でボナフィドとアタックサンプルの再構成誤り分離性を高めることを提案する。 多様なMAD評価データセットを用いた実験結果から,提案した無教師付きSPL-MADソリューションは,広範囲の教師付きMADソリューションの全体的な性能より優れ,未知の攻撃に対して高い一般化性を提供することが示された。

関連論文リスト

• Transferable Adversarial Attacks on SAM and Its Downstream Models [87.23908485521439]
  本稿では,セグメント・アプライス・モデル(SAM)から微調整した様々な下流モデルに対する敵攻撃の可能性について検討する。 未知のデータセットを微調整したモデルに対する敵攻撃の有効性を高めるために,ユニバーサルメタ初期化(UMI)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-26T15:04:04Z)
• Evaluating the Effectiveness of Attack-Agnostic Features for Morphing Attack Detection [20.67964977754179]
  モーフィング攻撃検出(MAD)における画像表現の可能性について検討する。 ガウス混合モデル(GMM)によるボナフィド特性の分布をモデル化し,抽出した特徴量と一級検出値に基づいて単純な2次線形SVMを訓練し,教師付き検出器を開発する。 以上の結果から,攻撃非依存の特徴は,ほとんどのシナリオにおいて従来の教師付き・一級検知器よりも優れた形態的攻撃を効果的に検出できることが示唆された。
  論文  参考訳（メタデータ） (2024-10-22T08:27:43Z)
• Feature Attenuation of Defective Representation Can Resolve Incomplete Masking on Anomaly Detection [1.0358639819750703]
  教師なし異常検出(UAD)研究では、計算効率が高くスケーラブルなソリューションを開発する必要がある。 再建・塗り替えのアプローチを再考し、強みと弱みを分析して改善する。 異常再構成の特徴情報を減衰させる2つの層のみを用いるFADeR(Feature Attenuation of Defective Representation)を提案する。
  論文  参考訳（メタデータ） (2024-07-05T15:44:53Z)
• CUT: A Controllable, Universal, and Training-Free Visual Anomaly Generation Framework [11.609545429511595]
  我々は、制御可能、ユニバーサル、およびトレーニング不要な視覚異常生成フレームワークであるCUTを提案する。 不可視データと新規な異常型の両方にわたって,制御可能かつ現実的な異常生成を実現する。 生成した異常サンプルを用いてVLADモデルをトレーニングすることにより、複数のベンチマーク異常検出タスクで最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-06-03T07:58:09Z)
• DMAD: Dual Memory Bank for Real-World Anomaly Detection [90.97573828481832]
  我々は、DMAD(Anomaly Detection)のための表現学習を強化したDual Memory Bankという新しいフレームワークを提案する。 DMADはデュアルメモリバンクを用いて特徴距離を計算し、正常パターンと異常パターンの間の特徴注意を計算している。 DMADをMVTec-ADおよびVisAデータセット上で評価した。
  論文  参考訳（メタデータ） (2024-03-19T02:16:32Z)
• Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity [80.16488817177182]
  GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。 異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
  論文  参考訳（メタデータ） (2023-12-18T05:42:31Z)
• Diversity-Measurable Anomaly Detection [106.07413438216416]
  本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
  論文  参考訳（メタデータ） (2023-03-09T05:52:42Z)
• Diminishing Empirical Risk Minimization for Unsupervised Anomaly Detection [0.0]
  経験的リスク最小化(ERM)は、未知の分布におけるアルゴリズムの性能を、既知のトレーニングセットにおける損失の平均化によって近似できると仮定する。 本稿では,EMMの限界を突破する新しいDimical Risk Minimization(DERM)フレームワークを提案する。 DERMは、よく設計された集約戦略を通じて個々の損失の影響を適応的に調整する。
  論文  参考訳（メタデータ） (2022-05-29T14:18:26Z)
• A Hamiltonian Monte Carlo Method for Probabilistic Adversarial Attack and Learning [122.49765136434353]
  本稿では,HMCAM (Acumulated Momentum) を用いたハミルトニアンモンテカルロ法を提案する。 また, 対数的対数的対数的学習(Contrastive Adversarial Training, CAT)と呼ばれる新たな生成法を提案し, 対数的例の平衡分布にアプローチする。 いくつかの自然画像データセットと実用システムに関する定量的および定性的な解析により、提案アルゴリズムの優位性が確認された。
  論文  参考訳（メタデータ） (2020-10-15T16:07:26Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。