論文の概要: State Of The Art In Open-Set Iris Presentation Attack Detection
- arxiv url: http://arxiv.org/abs/2208.10564v1
- Date: Mon, 22 Aug 2022 19:40:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 13:06:34.556022
- Title: State Of The Art In Open-Set Iris Presentation Attack Detection
- Title(参考訳): オープンセットのIrisプレゼンテーション攻撃検出技術の現状
- Authors: Aidan Boyd, Jeremy Speth, Lucas Parzianello, Kevin Bowyer, Adam Czajka
- Abstract要約: 本稿では,オープンセットアイリス提示攻撃検出(PAD)における最先端技術を理解し,拡張するためのコントリビューションを提供する。
この問題で利用可能な最大の画像データセットをキュレートし、以前様々なグループがリリースした26のベンチマークから抽出した。
クローズドセット評価における最良のアルゴリズムでさえ、オープンセットシナリオにおいて複数の攻撃タイプに対して破滅的な障害を示すことを示す。
- 参考スコア(独自算出の注目度): 4.843820624525483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Research in presentation attack detection (PAD) for iris recognition has
largely moved beyond evaluation in "closed-set" scenarios, to emphasize ability
to generalize to presentation attack types not present in the training data.
This paper offers several contributions to understand and extend the
state-of-the-art in open-set iris PAD. First, it describes the most
authoritative evaluation to date of iris PAD. We have curated the largest
publicly-available image dataset for this problem, drawing from 26 benchmarks
previously released by various groups, and adding 150,000 images being released
with the journal version of this paper, to create a set of 450,000 images
representing authentic iris and seven types of presentation attack instrument
(PAI). We formulate a leave-one-PAI-out evaluation protocol, and show that even
the best algorithms in the closed-set evaluations exhibit catastrophic failures
on multiple attack types in the open-set scenario. This includes algorithms
performing well in the most recent LivDet-Iris 2020 competition, which may come
from the fact that the LivDet-Iris protocol emphasizes sequestered images
rather than unseen attack types. Second, we evaluate the accuracy of five
open-source iris presentation attack algorithms available today, one of which
is newly-proposed in this paper, and build an ensemble method that beats the
winner of the LivDet-Iris 2020 by a substantial margin. This paper demonstrates
that closed-set iris PAD, when all PAIs are known during training, is a solved
problem, with multiple algorithms showing very high accuracy, while open-set
iris PAD, when evaluated correctly, is far from being solved. The newly-created
dataset, new open-source algorithms, and evaluation protocol, made publicly
available with the journal version of this paper, provide the experimental
artifacts that researchers can use to measure progress on this important
problem.
- Abstract(参考訳): iris認識のためのプレゼンテーションアタック検出(pad)の研究は、トレーニングデータに存在しないプレゼンテーションアタックタイプに一般化する能力を強調し、"クローズドセット"シナリオの評価よりも大きく進んでいる。
本稿では,オープンセットアイリスPADにおける最先端の理解と拡張にいくつかの貢献を行う。
まず、Iris PADの現在までの最も信頼性の高い評価について述べる。
本論文のジャーナル版に15万枚の画像を追加し,真正の虹彩と7種類のプレゼンテーション攻撃装置(PAI)を表す45万枚の画像を作成することで,この問題に対して利用可能な最大規模の画像データセットをキュレートした。
クローズドセット評価における最良のアルゴリズムでさえ、オープンセットシナリオにおいて複数の攻撃タイプに対して破滅的な障害を示すことを示す。
この中には、最新のLivDet-Iris 2020コンペティションでうまく機能するアルゴリズムも含まれている。
第2に,本稿で新たに提案されている5つのオープンソースのirisプレゼンテーションアタックアルゴリズムの精度を評価し,livdet-iris 2020の勝者をかなりの差で破るアンサンブル手法を構築した。
本稿では, 閉集合アイリスPADが, 全てのPAIが訓練中に認識されている場合, 精度が極めて高く, オープンセットアイリスPADが正しく評価されている場合, 未解決であることを示す。
本論文のジャーナル版で公開された,新たに作成されたデータセット,新たなオープンソースアルゴリズム,評価プロトコルは,研究者がこの問題の進展を計測するために利用できる実験的な成果物を提供する。
関連論文リスト
- Towards Iris Presentation Attack Detection with Foundation Models [7.287930923353593]
本研究では,2つの基盤モデルであるDinoV2とVisualOpenClipに基づくアイリスPADアプローチについて検討する。
その結果、頭として小さなニューラルネットワークを用いた微調整予測は、ディープラーニングアプローチに基づく最先端のパフォーマンスを超越していることがわかった。
論文 参考訳(メタデータ) (2025-01-10T19:26:28Z) - A Survey on All-in-One Image Restoration: Taxonomy, Evaluation and Future Trends [67.43992456058541]
画像復元(IR)とは、ノイズ、ぼかし、気象効果などの劣化を除去しながら、画像の視覚的品質を改善する過程である。
従来のIR手法は、一般的に特定の種類の劣化をターゲットとしており、複雑な歪みを伴う現実のシナリオにおいて、その効果を制限している。
オールインワン画像復元(AiOIR)パラダイムが登場し、複数の劣化タイプに順応的に対処する統一されたフレームワークを提供する。
論文 参考訳(メタデータ) (2024-10-19T11:11:09Z) - Pattern Spotting and Image Retrieval in Historical Documents using Deep
Hashing [60.67014034968582]
本稿では,歴史文書のデジタルコレクションにおける画像検索とパターンスポッティングのためのディープラーニング手法を提案する。
ディープラーニングモデルは、実数値またはバイナリコード表現を提供する2つの異なるバリエーションを考慮して、特徴抽出に使用される。
また,提案手法により検索時間を最大200倍に短縮し,関連する作業と比較してストレージコストを最大6,000倍に削減する。
論文 参考訳(メタデータ) (2022-08-04T01:39:37Z) - Deconstructing Self-Supervised Monocular Reconstruction: The Design
Decisions that Matter [63.5550818034739]
本稿では,自己教師付き単分子深度推定への最先端の貢献を評価するための枠組みを提案する。
事前トレーニング、バックボーン、アーキテクチャ設計の選択、損失関数が含まれる。
我々は16の最先端コントリビューションを再実装し、検証し、再評価し、新しいデータセットを導入します。
論文 参考訳(メタデータ) (2022-08-02T14:38:53Z) - Generalized Category Discovery [148.32255950504182]
本稿では,ラベル付き画像集合とラベル付き画像集合とを併用した画像認識手法を提案する。
ここでは、未表示の画像はラベル付きクラスから、あるいは新しいものから来ているかもしれない。
まず、新しいカテゴリー発見から最先端のアルゴリズムを取り入れ、そのタスクに適応することで、強力なベースラインを確立する。
次に、単純だが効果的な半教師付き$k$-meansメソッドを導入する。
論文 参考訳(メタデータ) (2022-01-07T18:58:35Z) - Synthetic Periocular Iris PAI from a Small Set of Near-Infrared-Images [10.337140740056725]
本稿では、4つの最先端GANアルゴリズムを用いた新しいPAI合成(SPI-PAI)を提案する。
LivDet-2020コンペティションで報告された最高のPADアルゴリズムは、合成PAIを用いてテストされた。
以上の結果から, 合成画像がばかげた提示攻撃検出アルゴリズムの実現可能性を示した。
論文 参考訳(メタデータ) (2021-07-26T08:07:49Z) - Iris Liveness Detection using a Cascade of Dedicated Deep Learning
Networks [11.617910256604143]
プレゼンテーション攻撃は、印刷画像、人工眼、テクスチャ化されたコンタクトレンズなどを用いて生体認証システムを回避することができる。
本稿では, ボナファイドアイリス画像とプレゼンテーションアタック画像とを分類するために, ゼロから訓練したMobileNetV2修正に基づくシリアルアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-05-28T17:37:11Z) - 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) - Iris Liveness Detection Competition (LivDet-Iris) -- The 2020 Edition [23.537039454986875]
本稿では,第4回大会であるLivDet-Iris 2020の結果を紹介する。
APCERは5種類の攻撃に対して平均59.10%、BPCERは0.46%であった。
論文 参考訳(メタデータ) (2020-09-01T23:43:19Z) - Iris Presentation Attack Detection: Where Are We Now? [14.671313104089906]
本研究は、アイリス提示攻撃検出領域における最も重要な進歩の概要を示す。
最近の文献は、伝統的な「手作り」の特徴抽出と分類、ディープラーニングベースのソリューション、ハイブリッドアプローチの3つのカテゴリに分けられる。
論文 参考訳(メタデータ) (2020-06-23T18:11:29Z) - Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
オープンセット認識の問題点を考察する。
新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
論文 参考訳(メタデータ) (2020-05-27T23:49:26Z)
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。