論文の概要: Haven't I Seen You Before? Assessing Identity Leakage in Synthetic
Irises
- arxiv url: http://arxiv.org/abs/2211.05629v1
- Date: Thu, 3 Nov 2022 00:34:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 23:29:53.788444
- Title: Haven't I Seen You Before? Assessing Identity Leakage in Synthetic
Irises
- Title(参考訳): 前に会った事ないの?
合成虹彩におけるアイデンティティ漏えいの評価
- Authors: Patrick Tinsley, Adam Czajka, Patrick Flynn
- Abstract要約: 本稿では, GANトレーニングプロセスの様々な点における3つのアイリスマッチングの解析を行い, 実際のトレーニングサンプルが生成過程を通じて漏洩する危険のある場所と時期を診断する。
以上の結果から,ほとんどの合成サンプルは同一性漏洩の兆候を示していないが,生成したサンプルのごく一部は,ほぼ完璧に一致していることがわかった。
- 参考スコア(独自算出の注目度): 4.142375560633827
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Generative Adversarial Networks (GANs) have proven to be a preferred method
of synthesizing fake images of objects, such as faces, animals, and
automobiles. It is not surprising these models can also generate ISO-compliant,
yet synthetic iris images, which can be used to augment training data for iris
matchers and liveness detectors. In this work, we trained one of the most
recent GAN models (StyleGAN3) to generate fake iris images with two primary
goals: (i) to understand the GAN's ability to produce "never-before-seen"
irises, and (ii) to investigate the phenomenon of identity leakage as a
function of the GAN's training time. Previous work has shown that personal
biometric data can inadvertently flow from training data into synthetic
samples, raising a privacy concern for subjects who accidentally appear in the
training dataset. This paper presents analysis for three different iris
matchers at varying points in the GAN training process to diagnose where and
when authentic training samples are in jeopardy of leaking through the
generative process. Our results show that while most synthetic samples do not
show signs of identity leakage, a handful of generated samples match authentic
(training) samples nearly perfectly, with consensus across all matchers. In
order to prioritize privacy, security, and trust in the machine learning model
development process, the research community must strike a delicate balance
between the benefits of using synthetic data and the corresponding threats
against privacy from potential identity leakage.
- Abstract(参考訳): generative adversarial network (gans) は、顔、動物、自動車などの物体の偽画像を合成する好適な方法であることが証明されている。
これらのモデルがisoに準拠した合成虹彩画像を生成することは驚くべきことではない。
本研究では,最新のGANモデルの1つ(StyleGAN3)をトレーニングし,2つの主要な目標を持つ偽の虹彩画像を生成する。
(i)GANが「今までにない」アイライズを産み出す能力を理解すること、
(II) GANの訓練時間の関数としてのID漏洩現象を調査する。
これまでの研究では、個人バイオメトリックデータは、トレーニングデータから合成サンプルに不注意に流れ、トレーニングデータセットに誤って現れる被験者のプライバシー上の懸念を提起している。
本稿では, GANトレーニングプロセスの様々な点における3つのアイリスマッチングの解析を行い, 実際のトレーニングサンプルが生成過程を通じて漏洩する危険のある場所と時期を診断する。
その結果,ほとんどの合成サンプルは同一性漏洩の兆候は示さないが,生成したサンプルのごく一部は,ほぼ完璧に一致し,一致は一致していることがわかった。
機械学習モデル開発プロセスにおいて、プライバシ、セキュリティ、信頼を優先するために、研究コミュニティは、合成データを使用することの利点と、潜在的なID漏洩からのプライバシーに対する脅威との微妙なバランスを取らなければならない。
関連論文リスト
- Privacy-Safe Iris Presentation Attack Detection [4.215251065887862]
本稿では,プライバシセーフなアイリス提示攻撃検出(PAD)手法の枠組みを提案する。
合成生成したアイデンティティフリーの虹彩画像でのみ設計されている。
この手法は、最先端のアイリスPADベンチマークを用いて古典的な手法で評価される。
論文 参考訳(メタデータ) (2024-08-05T18:09:02Z) - Synthetic Image Learning: Preserving Performance and Preventing Membership Inference Attacks [5.0243930429558885]
本稿では,下流分類器の学習のための合成データの生成と利用を最適化するパイプラインである知識リサイクル(KR)を紹介する。
このパイプラインの核心は生成的知識蒸留(GKD)であり、情報の品質と有用性を大幅に向上させる技術が提案されている。
その結果、実データと合成データでトレーニングされたモデルと、実データでトレーニングされたモデルとの性能差が著しく低下した。
論文 参考訳(メタデータ) (2024-07-22T10:31:07Z) - Is synthetic data from generative models ready for image recognition? [69.42645602062024]
本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。
本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
論文 参考訳(メタデータ) (2022-10-14T06:54:24Z) - Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets [83.749895930242]
そこで本研究では,高品質な自然主義的合成隠蔽顔を製造するための2つの手法を提案する。
両手法の有効性とロバスト性を実証的に示す。
我々は,RealOccとRealOcc-Wildという,微細なアノテーションを付加した高精細な実世界の顔データセットを2つ提示する。
論文 参考訳(メタデータ) (2022-05-12T17:03:57Z) - Generation of Non-Deterministic Synthetic Face Datasets Guided by
Identity Priors [19.095368725147367]
本稿では、StyleGANの構造化された潜在空間を利用して、マット付き顔画像を生成する非決定論的手法を提案する。
25,919個の合成IDを含む77,034個のサンプルからなる合成顔画像(SymFace)のデータセットを作成する。
論文 参考訳(メタデータ) (2021-12-07T11:08:47Z) - A Deep Learning Generative Model Approach for Image Synthesis of Plant
Leaves [62.997667081978825]
我々は,高度深層学習(DL)技術を用いて,人工葉画像の自動生成を行う。
我々は、現代の作物管理のためのAIアプリケーションのためのトレーニングサンプルのソースを処分することを目指している。
論文 参考訳(メタデータ) (2021-11-05T10:53:35Z) - Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。
本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。
実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
論文 参考訳(メタデータ) (2021-07-07T11:43:59Z) - Ensembling with Deep Generative Views [72.70801582346344]
生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。
そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。
StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
論文 参考訳(メタデータ) (2021-04-29T17:58:35Z) - Ensembles of GANs for synthetic training data generation [7.835101177261939]
トレーニングデータ不足は、ほとんどのディープラーニングプラクティスにとって大きなボトルネックです。
本研究は,gans(generative adversarial networks)が生成した合成画像のトレーニングデータとしての利用について検討する。
論文 参考訳(メタデータ) (2021-04-23T19:38:48Z) - Identity-Aware CycleGAN for Face Photo-Sketch Synthesis and Recognition [61.87842307164351]
まず,画像生成ネットワークの監視に新たな知覚損失を適用したIACycleGAN(Identity-Aware CycleGAN)モデルを提案する。
眼や鼻などの重要な顔領域の合成により多くの注意を払うことで、フォトエッチング合成におけるサイクガンを改善する。
IACycleGANによる画像の合成を反復的に行う合成モデルと認識モデルとの相互最適化手法を開発した。
論文 参考訳(メタデータ) (2021-03-30T01:30:08Z) - Multi-Spectral Image Synthesis for Crop/Weed Segmentation in Precision
Farming [3.4788711710826083]
本稿では, 精密農業における作物・雑草の分枝化問題に適用し, 共通データ増分法に関する代替手法を提案する。
我々は、最も関連性の高いオブジェクトクラス(作物や雑草)を合成されたクラスに置き換えることで、半人工的なサンプルを作成する。
RGBデータに加えて、近赤外(NIR)情報も考慮し、4つのチャネルマルチスペクトル合成画像を生成する。
論文 参考訳(メタデータ) (2020-09-12T08:49:36Z)
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。