Fugu-MT 論文翻訳(概要): Presentation Attack Detection with Advanced CNN Models for Noncontact-based Fingerprint Systems

論文の概要: Presentation Attack Detection with Advanced CNN Models for Noncontact-based Fingerprint Systems

arxiv url: http://arxiv.org/abs/2303.05459v1
Date: Thu, 9 Mar 2023 18:01:10 GMT
ステータス: 処理完了
システム内更新日: 2023-03-10 13:46:45.408776
Title: Presentation Attack Detection with Advanced CNN Models for Noncontact-based Fingerprint Systems
Title（参考訳）: 非接触指紋システムのためのcnnモデルを用いたプレゼンテーションアタック検出
Authors: Sandip Purnapatra, Conor Miller-Lynch, Stephen Miner, Yu Liu, Keivan Bahmani, Soumyabrata Dey, Stephanie Schuckers
Abstract要約: 我々は,7500枚以上の4指画像の提示攻撃検出(PAD)データセットを開発した。攻撃提示分類誤り率(APCER)0.14%とボナフィド提示分類誤り率(BPCER)0.18%のPAD精度について検討した。
参考スコア（独自算出の注目度）: 5.022332693793425
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Touch-based fingerprint biometrics is one of the most popular biometric modalities with applications in several fields. Problems associated with touch-based techniques such as the presence of latent fingerprints and hygiene issues due to many people touching the same surface motivated the community to look for non-contact-based solutions. For the last few years, contactless fingerprint systems are on the rise and in demand because of the ability to turn any device with a camera into a fingerprint reader. Yet, before we can fully utilize the benefit of noncontact-based methods, the biometric community needs to resolve a few concerns such as the resiliency of the system against presentation attacks. One of the major obstacles is the limited publicly available data sets with inadequate spoof and live data. In this publication, we have developed a Presentation attack detection (PAD) dataset of more than 7500 four-finger images and more than 14,000 manually segmented single-fingertip images, and 10,000 synthetic fingertips (deepfakes). The PAD dataset was collected from six different Presentation Attack Instruments (PAI) of three different difficulty levels according to FIDO protocols, with five different types of PAI materials, and different smartphone cameras with manual focusing. We have utilized DenseNet-121 and NasNetMobile models and our proposed dataset to develop PAD algorithms and achieved PAD accuracy of Attack presentation classification error rate (APCER) 0.14\% and Bonafide presentation classification error rate (BPCER) 0.18\%. We have also reported the test results of the models against unseen spoof types to replicate uncertain real-world testing scenarios.
Abstract（参考訳）: タッチベースの指紋生体計測は、いくつかの分野で応用される最も一般的な生体計測の1つである。同じ表面に触れた多くの人々が非接触型ソリューションを探す動機となったため、潜伏指紋の存在や衛生問題といったタッチベースの技術に関連する問題があった。ここ数年、コンタクトレスの指紋認証システムは、カメラを搭載したあらゆるデバイスを指紋リーダーに変える能力によって、増加と需要が高まっている。しかし、非接触ベースの方法の利点を十分に活用する前に、バイオメトリックスコミュニティは、プレゼンテーション攻撃に対するシステムのレジリエンスなど、いくつかの懸念を解決する必要がある。主な障害の1つは、不適切なspoofとライブデータを持つ限られた公開データセットである。本研究では,7500点以上の4指画像と14,000点以上の手動分割単指画像と1万点以上の合成指先(ディープフェイク)からなる提示攻撃検出データセットを開発した。パッドデータセットは、fidoプロトコルに従って、3つの異なる難易度レベルの6つの異なるプレゼンテーションアタックインスツルメンツ(pai)から5種類のpai素材と、手動焦点の異なるスマートフォンカメラから収集された。我々は,DenseNet-121モデルとNasNetMobileモデルを用いてPADアルゴリズムを開発し,攻撃提示分類誤り率(APCER)0.14\%,Bonafide提示分類誤差率(BPCER)0.18\%のPAD精度を実現した。また,不確定な実世界のテストシナリオを再現するために,未発見のspoof型に対するモデルのテスト結果も報告した。

関連論文リスト

Contactless Fingerprint Biometric Anti-Spoofing: An Unsupervised Deep Learning Approach [0.0]
本稿では、教師なしオートエンコーダと畳み込みブロックアテンションモジュールを組み合わせた革新的なアンチスプーフィング手法を提案する。このスキームは平均で0.96%のBPCERを達成し、様々な種類のスプーフサンプルを含むプレゼンテーション攻撃では1.6%のAPCERを達成している。
論文参考訳（メタデータ） (2023-11-07T17:19:59Z)
A Universal Anti-Spoofing Approach for Contactless Fingerprint Biometric Systems [0.0]
接触のない指紋に対する普遍的な提示攻撃検出法を提案する。ライブフィンガー写真からStyleGANを用いて合成非接触指紋を生成し,それらを統合して半教師付きResNet-18モデルを訓練した。両損失関数のバランスをとるために,Arcface と Center の損失を組み合わせた新しい結合損失関数を導入した。
論文参考訳（メタデータ） (2023-10-23T15:46:47Z)
Deep Features for Contactless Fingerprint Presentation Attack Detection: Can They Be Generalized? [6.668147787950981]
無接触指紋認証システムは、プレゼンテーション攻撃に対して脆弱である。本稿では,7種類の事前学習型畳み込みニューラルネットワーク (CNN) と視覚変換器 (ViT) の汎用性を比較検討し,提示攻撃を確実に検出する。
論文参考訳（メタデータ） (2023-07-04T17:46:20Z)
Agile gesture recognition for capacitive sensing devices: adapting on-the-job [55.40855017016652]
本システムでは, コンデンサセンサからの信号を手の動き認識器に組み込んだ手動作認識システムを提案する。コントローラは、着用者5本の指それぞれからリアルタイム信号を生成する。機械学習技術を用いて時系列信号を解析し,500ms以内で5本の指を表現できる3つの特徴を同定する。
論文参考訳（メタデータ） (2023-05-12T17:24:02Z)
SpoofGAN: Synthetic Fingerprint Spoof Images [47.87570819350573]
指紋スプーフ検出の進歩に対する大きな制限は、公開可能な大規模な指紋スプーフデータセットの欠如である。この研究は、これらのアルゴリズムに十分なデータを供給する際に、合成指紋(ライブ指紋とスプーフ指紋の両方)の有用性を実証することを目的としている。
論文参考訳（メタデータ） (2022-04-13T16:27:27Z)
Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。 HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
論文参考訳（メタデータ） (2022-03-14T17:05:59Z)
A high performance fingerprint liveness detection method based on quality related features [66.41574316136379]
このシステムは、10,500枚以上の実画像と偽画像からなる非常に難しいデータベースでテストされている。提案手法はマルチシナリオデータセットに対して堅牢であることが証明され、全体の90%が正しく分類されたサンプルである。
論文参考訳（メタデータ） (2021-11-02T21:09:39Z)
A Contactless Fingerprint Recognition System [5.565364597145569]
距離から指紋をキャプチャする非接触指紋認識システムを開発するためのアプローチを提案する。キャプチャされたフィンガー写真はさらに処理され、グローバルおよびローカルな機能(ミニチュアベース)が取得される。提案システムはNvidia Jetson Nano開発キットを用いて開発され,非接触指紋認識をリアルタイムで行うことができる。
論文参考訳（メタデータ） (2021-08-20T08:21:55Z)
Responsible Disclosure of Generative Models Using Scalable Fingerprinting [70.81987741132451]
深層生成モデルは質的に新しいパフォーマンスレベルを達成した。この技術がスプーフセンサーに誤用され、ディープフェイクを発生させ、大規模な誤情報を可能にするという懸念がある。最先端のジェネレーションモデルを責任を持って公開することで、研究者や企業がモデルに指紋を刻むことができます。
論文参考訳（メタデータ） (2020-12-16T03:51:54Z)
Fingerprint Presentation Attack Detection: A Sensor and Material Agnostic Approach [44.46178415547532]
クロスマテリアルとクロスセンサの一般化を改良した,堅牢なプレゼンテーションアタック検出(PAD)ソリューションを提案する。具体的には,指紋スプーフ検出とクロスマテリアルスプーフ一般化を併用して,指紋スプーフ検出を訓練したCNNベースのアーキテクチャを構築した。また,DNN(Deep Neural Network)にARL(Adversarial Expression Learning)を組み込んで,PADのセンサおよび材料不変表現を学習する。
論文参考訳（メタデータ） (2020-04-06T19:03:05Z)

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。