論文の概要: Fusion-based Few-Shot Morphing Attack Detection and Fingerprinting
- arxiv url: http://arxiv.org/abs/2210.15510v1
- Date: Thu, 27 Oct 2022 14:46:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 14:39:30.750344
- Title: Fusion-based Few-Shot Morphing Attack Detection and Fingerprinting
- Title（参考訳）: 核融合による数発モーフィング攻撃検出とフィンガープリント
- Authors: Na Zhang, Shan Jia, Siwei Lyu, and Xin Li
- Abstract要約: 顔認識システムは、モーフィング攻撃に弱い。
既存のモーフィング攻撃検出手法の多くは、大量のトレーニングデータを必要としており、いくつかの事前定義された攻撃モデルでのみテストされている。
我々は,MADを教師付き学習から少数ショット学習へ,バイナリ検出からマルチクラスフィンガープリントへ拡張することを提案する。
- 参考スコア（独自算出の注目度）: 37.161842673434705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The vulnerability of face recognition systems to morphing attacks has posed a
serious security threat due to the wide adoption of face biometrics in the real
world. Most existing morphing attack detection (MAD) methods require a large
amount of training data and have only been tested on a few predefined attack
models. The lack of good generalization properties, especially in view of the
growing interest in developing novel morphing attacks, is a critical limitation
with existing MAD research. To address this issue, we propose to extend MAD
from supervised learning to few-shot learning and from binary detection to
multiclass fingerprinting in this paper. Our technical contributions include:
1) We propose a fusion-based few-shot learning (FSL) method to learn
discriminative features that can generalize to unseen morphing attack types
from predefined presentation attacks; 2) The proposed FSL based on the fusion
of the PRNU model and Noiseprint network is extended from binary MAD to
multiclass morphing attack fingerprinting (MAF). 3) We have collected a
large-scale database, which contains five face datasets and eight different
morphing algorithms, to benchmark the proposed few-shot MAF (FS-MAF) method.
Extensive experimental results show the outstanding performance of our
fusion-based FS-MAF. The code and data will be publicly available at
https://github.com/nz0001na/mad maf.
- Abstract（参考訳）: 顔認識システムの脆弱性は、現実世界で顔バイオメトリックスが広く採用されていることから、深刻なセキュリティ上の脅威となっている。
既存のモーフィング攻撃検出(mad)メソッドの多くは、大量のトレーニングデータを必要とし、いくつかの事前定義された攻撃モデルでのみテストされている。
優れた一般化特性の欠如、特に新しいモーフィング攻撃の開発への関心の高まりは、既存のマッドリサーチにおいて重要な制限となっている。
そこで本稿では,MADを教師付き学習から少数ショット学習,バイナリ検出からマルチクラスフィンガープリントまで拡張することを提案する。
私たちの技術的な貢献には
1)事前に定義された提示攻撃から未確認の攻撃タイプに一般化できる識別的特徴を学習するためのFSL法を提案する。
2) PRNUモデルとノイズプリントネットワークの融合に基づくFSLは, バイナリMADからマルチクラスモルフィング攻撃指紋(MAF)へ拡張される。
3) 5つの顔データセットと8つの異なる形態素アルゴリズムを含む大規模データベースを収集し,提案手法であるFS-MAFのベンチマークを行った。
核融合によるFS-MAFの性能は良好であった。
コードとデータはhttps://github.com/nz0001na/mad mafで公開されている。
関連論文リスト
- MLSD-GAN -- Generating Strong High Quality Face Morphing Attacks using Latent Semantic Disentanglement [6.747633314364796]
顔形態攻撃は顔認識システムを騙すのに使える。
本稿では,StyleGANのアンタングルを用いた高品質なモーフィング攻撃生成手法を提案する。
論文 参考訳（メタデータ） (2024-04-19T07:26:30Z) - Hierarchical Generative Network for Face Morphing Attacks [7.34597796509503]
顔認識システム(FRS)は、複数のアイデンティティを含む形態画像を作成することで、顔認識システム(FRS)を回避している。
本研究では, 画像の品質向上と寄与するアイデンティティの保存を図るため, 新たなモーフィング攻撃法を提案する。
論文 参考訳（メタデータ） (2024-03-17T06:09:27Z) - Unified Physical-Digital Face Attack Detection [66.14645299430157]
顔認識(FR)システムは物理的(印刷写真)とデジタル(ディープフェイク)攻撃に悩まされることがある。
以前の関連する作業では、両方の状況が同時に考慮されることはめったにありません。
視覚言語モデル(VLM)に基づく一元攻撃検出フレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-31T09:38:44Z) - Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。
既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。
本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2023-07-31T10:22:33Z) - 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) - Federated Test-Time Adaptive Face Presentation Attack Detection with
Dual-Phase Privacy Preservation [100.69458267888962]
顔提示攻撃検出(fPAD)は、現代の顔認識パイプラインにおいて重要な役割を果たす。
法的およびプライバシー上の問題により、トレーニングデータ(実際の顔画像と偽画像)は、異なるデータソース間で直接共有することはできない。
本稿では,二相プライバシー保護フレームワークを用いたフェデレーションテスト時間適応顔提示検出を提案する。
論文 参考訳（メタデータ） (2021-10-25T02:51:05Z) - PW-MAD: Pixel-wise Supervision for Generalized Face Morphing Attack
Detection [6.24950085812444]
顔変形攻撃画像は複数のアイデンティティに検証できるため、境界チェックのようなアイデンティティ検証に基づくプロセスに対する大きな脆弱性となる。
しかし、顔の変形を検知する様々な方法が提案されているが、予期せぬ後変態過程への一般化性は低い。
主要なポストモーフィングプロセスは、パスポートやID文書を発行する際、多くの国で実施される印刷およびスキャン操作である。
論文 参考訳（メタデータ） (2021-08-23T17:04:51Z) - 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) - Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing [61.82466976737915]
深層学習は、顔の反偽造の最も効果的な方法の1つとして証明されている。
2つの洞察に基づいて,複数フレームからの提示攻撃を検出する新しい手法を提案する。
提案手法は,5つのベンチマークデータセットの最先端結果を実現する。
論文 参考訳（メタデータ） (2020-03-18T06:11:20Z)
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。