論文の概要: Surveillance Face Anti-spoofing
- arxiv url: http://arxiv.org/abs/2301.00975v1
- Date: Tue, 3 Jan 2023 07:09:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 14:29:23.230446
- Title: Surveillance Face Anti-spoofing
- Title（参考訳）: 監視面の汚職防止
- Authors: Hao Fang, Ajian Liu, Jun Wan, Sergio Escalera, Chenxu Zhao, Xu Zhang,
Stan Z. Li, Zhen Lei
- Abstract要約: Face Anti-Spoofing (FAS) は、様々な物理的攻撃から顔認識システムを保護するために不可欠である。
本稿では,画像品質による性能劣化を軽減するために,コントラスト品質不変学習(CQIL)ネットワークを提案する。
多くの実験がSuHiFiMaskデータセットの品質と提案したCQILの優位性を検証する。
- 参考スコア（独自算出の注目度）: 81.50018853811895
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Face Anti-spoofing (FAS) is essential to secure face recognition systems from
various physical attacks. However, recent research generally focuses on
short-distance applications (i.e., phone unlocking) while lacking consideration
of long-distance scenes (i.e., surveillance security checks). In order to
promote relevant research and fill this gap in the community, we collect a
large-scale Surveillance High-Fidelity Mask (SuHiFiMask) dataset captured under
40 surveillance scenes, which has 101 subjects from different age groups with
232 3D attacks (high-fidelity masks), 200 2D attacks (posters, portraits, and
screens), and 2 adversarial attacks. In this scene, low image resolution and
noise interference are new challenges faced in surveillance FAS. Together with
the SuHiFiMask dataset, we propose a Contrastive Quality-Invariance Learning
(CQIL) network to alleviate the performance degradation caused by image quality
from three aspects: (1) An Image Quality Variable module (IQV) is introduced to
recover image information associated with discrimination by combining the
super-resolution network. (2) Using generated sample pairs to simulate quality
variance distributions to help contrastive learning strategies obtain robust
feature representation under quality variation. (3) A Separate Quality Network
(SQN) is designed to learn discriminative features independent of image
quality. Finally, a large number of experiments verify the quality of the
SuHiFiMask dataset and the superiority of the proposed CQIL.
- Abstract（参考訳）: face anti-spoofing (fas) は様々な物理的攻撃から顔認識システムを保護するのに不可欠である。
しかし、最近の研究は一般的に、長距離シーン(監視セキュリティチェック)を考慮せずに、短距離アプリケーション(電話のアンロック)に焦点を当てている。
関連研究の促進とコミュニティのこのギャップを埋めるために、40の監視シーンで収集された大規模な監視ハイファイダリティマスク(SuHiFiMask)データセットを収集し、232の3D攻撃(ハイファイダリティマスク)、200の2D攻撃(ポスト、ポートレート、スクリーン)、2つの敵攻撃を含む異なる年齢グループから101人の被験者を擁する。
このシーンでは、低解像度とノイズ干渉が監視FASで直面する新しい課題である。
本稿では,shifimaskデータセットと共に,画像品質に起因する性能低下を3つの側面から軽減するコントラスト的品質非分散学習(cqil)ネットワークを提案する。
2) 生成したサンプルペアを用いて品質分散分布をシミュレートし, コントラスト学習戦略が品質変動下で頑健な特徴表現を得るのを助ける。
3)分離品質ネットワーク(SQN)は,画像品質に依存しない識別的特徴を学習するように設計されている。
最後に,SuHiFiMaskデータセットの品質と提案したCQILの優位性を検証した。
関連論文リスト
- QGFace: Quality-Guided Joint Training For Mixed-Quality Face Recognition [2.8519768339207356]
混合品質顔認証のための新しい品質誘導型共同訓練手法を提案する。
品質分割に基づいて、分類に基づく手法が本社データ学習に用いられている。
識別情報を欠いたLQ画像に対しては,自己教師付き画像イメージコントラスト学習を用いて学習する。
論文 参考訳（メタデータ） (2023-12-29T06:56:22Z) - Wild Face Anti-Spoofing Challenge 2023: Benchmark and Results [73.98594459933008]
顔認証システム(FAS)は、顔認識システムの完全性を保護するための重要なメカニズムである。
この制限は、公開可能なFASデータセットの不足と多様性の欠如に起因する可能性がある。
制約のない環境で収集された大規模で多様なFASデータセットであるWild Face Anti-Spoofingデータセットを紹介した。
論文 参考訳（メタデータ） (2023-04-12T10:29:42Z) - Meet-in-the-middle: Multi-scale upsampling and matching for
cross-resolution face recognition [8.330506641637793]
本稿では, 顔の超解像, 解像度マッチング, マルチスケールテンプレート蓄積を組み合わせ, 監視映像から顔を確実に認識する手法を提案する。
提案手法では、実際の監視画像のターゲットデータセットのトレーニングや微調整は不要である。
論文 参考訳（メタデータ） (2022-11-28T11:23:32Z) - MSTRIQ: No Reference Image Quality Assessment Based on Swin Transformer
with Multi-Stage Fusion [8.338999282303755]
本稿では,Swin Transformerに基づく新しいアルゴリズムを提案する。
ローカル機能とグローバル機能の両方から情報を集約して、品質をより正確に予測する。
NTIRE 2022 Perceptual Image Quality Assessment Challengeのノーレファレンストラックで2位。
論文 参考訳（メタデータ） (2022-05-20T11:34:35Z) - Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth
Uncertainty Learning [54.15303628138665]
フェース・アンチ・スプーフィング(FAS)は、顔認識システムが提示攻撃を防ぐ上で重要な役割を担っている。
既存のフェース・アンチ・スプーフィング・データセットは、アイデンティティと重要なばらつきが不十分なため、多様性を欠いている。
我々は「生成によるアンチ・スプーフィング」によりこの問題に対処するデュアル・スポット・ディアンタングメント・ジェネレーション・フレームワークを提案する。
論文 参考訳（メタデータ） (2021-12-01T15:36:59Z) - Network Architecture Search for Face Enhancement [82.25775020564654]
我々は、NASFE(Network Architecture Search for Face Enhancement)と呼ばれるマルチタスクの顔復元ネットワークを提案する。
NASFEは、単一の劣化(すなわち)を含む低品質の顔画像を高めることができる。
ノイズまたはぼやけ)または複数の劣化(ノイズ+ブラル+ローライト)
論文 参考訳（メタデータ） (2021-05-13T19:46:05Z) - Joint Face Image Restoration and Frontalization for Recognition [79.78729632975744]
現実世界のシナリオでは、大きなポーズ、悪い照明、低解像度、ぼやけ、ノイズなど、多くの要因が顔認識性能を損なう可能性がある。
それまでの努力は通常、まず品質の低い顔から高品質な顔に復元し、次に顔認識を行う。
与えられた低品質の顔からフロンダル化された高品質の顔を復元する多段階顔復元モデルを提案する。
論文 参考訳（メタデータ） (2021-05-12T03:52:41Z) - Contrastive Context-Aware Learning for 3D High-Fidelity Mask Face
Presentation Attack Detection [103.7264459186552]
顔認識システムには、顔提示攻撃検出(PAD)が不可欠である。
ほとんどの既存の3DマスクPADベンチマークにはいくつかの欠点があります。
現実世界のアプリケーションとのギャップを埋めるために、大規模なハイファイアリティマスクデータセットを紹介します。
論文 参考訳（メタデータ） (2021-04-13T12:48:38Z) - JDSR-GAN: Constructing A Joint and Collaborative Learning Network for
Masked Face Super-Resolution [28.022800882214803]
ほとんどのビデオ監視シナリオで得られた顔画像は、マスクと同時に低解像度です。
これまでのスーパーレゾリューションソリューションのほとんどは、1つのモデルで両方のタスクを処理できない。
我々は,マスク付き顔超解像課題のための共同学習ネットワークJDSR-GANを構築した。
論文 参考訳（メタデータ） (2021-03-25T08:50:40Z)
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。