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
- Model Stealing Attack against Graph Classification with Authenticity,
Uncertainty and Diversity [85.1927483219819]
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) - Few-shot Message-Enhanced Contrastive Learning for Graph Anomaly
Detection [15.757864894708364]
グラフ異常検出は、多数派から大きく逸脱するグラフデータの例外的なインスタンスを特定する上で重要な役割を果たす。
我々はFMGADと呼ばれる新しい数ショットグラフ異常検出モデルを提案する。
FMGADは, 人工的に注入された異常やドメイン・有機異常によらず, 他の最先端手法よりも優れた性能が得られることを示す。
論文 参考訳(メタデータ) (2023-11-17T07:49:20Z) - Face Morphing Attack Detection with Denoising Diffusion Probabilistic
Models [0.0]
モールフされた顔画像は、様々な悪意のある目的のために誰かの身元を偽装するために使用することができる。
既存のMAD技術は、ボナフィドやモルフィド画像の例から学ぶ識別モデルに依存している。
本研究では,ボナファイド画像の特徴からのみ学習できる新しい拡散型MAD法を提案する。
論文 参考訳(メタデータ) (2023-06-27T18:19:45Z) - 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) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - 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) - Defending Variational Autoencoders from Adversarial Attacks with MCMC [74.36233246536459]
変分オートエンコーダ(VAE)は、様々な領域で使用される深部生成モデルである。
以前の研究が示すように、視覚的にわずかに修正された入力に対する予期せぬ潜在表現と再構成を生成するために、VAEを簡単に騙すことができる。
本稿では, 敵攻撃構築のための目的関数について検討し, モデルのロバスト性を評価する指標を提案し, 解決策を提案する。
論文 参考訳(メタデータ) (2022-03-18T13:25:18Z) - 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) - Anomaly Detection in Unsupervised Surveillance Setting Using Ensemble of
Multimodal Data with Adversarial Defense [0.3867363075280543]
本稿では,実時間画像とIMUセンサデータの異常度を推定するアンサンブル検出機構を提案する。
提案手法は,IEEE SP Cup-2020データセットで97.8%の精度で良好に動作する。
論文 参考訳(メタデータ) (2020-07-17T20:03:02Z) - 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。