論文の概要: Deep Learning based Fingerprint Presentation Attack Detection: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2305.17522v1
• Date: Sat, 27 May 2023 16:37:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 18:36:30.301791
• Title: Deep Learning based Fingerprint Presentation Attack Detection: A Comprehensive Survey
• Title（参考訳）: 深層学習に基づく指紋提示検出:包括的調査
• Authors: Hailin Li and Raghavendra Ramachandra
• Abstract要約: 指紋認証には指紋提示検出(FPAD)法が不可欠である。 ディープラーニングベースのFPADは、過去10年間で素晴らしいパフォーマンスを達成した。 既存の深層学習FPADについて,接触型,非接触型,スマートフォンベースのアプローチに分類して説明する。
• 参考スコア（独自算出の注目度）: 6.668147787950981
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The vulnerabilities of fingerprint authentication systems have raised security concerns when adapting them to highly secure access-control applications. Therefore, Fingerprint Presentation Attack Detection (FPAD) methods are essential for ensuring reliable fingerprint authentication. Owing to the lack of generation capacity of traditional handcrafted based approaches, deep learning-based FPAD has become mainstream and has achieved remarkable performance in the past decade. Existing reviews have focused more on hand-cratfed rather than deep learning-based methods, which are outdated. To stimulate future research, we will concentrate only on recent deep-learning-based FPAD methods. In this paper, we first briefly introduce the most common Presentation Attack Instruments (PAIs) and publicly available fingerprint Presentation Attack (PA) datasets. We then describe the existing deep-learning FPAD by categorizing them into contact, contactless, and smartphone-based approaches. Finally, we conclude the paper by discussing the open challenges at the current stage and emphasizing the potential future perspective.
• Abstract（参考訳）: 指紋認証システムの脆弱性は、高度にセキュアなアクセス制御アプリケーションに適用する際のセキュリティ上の懸念を引き起こした。 そのため,指紋認証の信頼性確保には指紋提示検出(FPAD)法が不可欠である。 従来の手作りの手法による生成能力の欠如により、ディープラーニングベースのFPADが主流となり、過去10年間に顕著なパフォーマンスを達成してきた。 既存のレビューでは、古くなった深層学習ベースの方法よりも、手作業に重点が置かれている。 今後の研究を促進するため、我々は最近の深層学習に基づくFPAD手法にのみ焦点をあてる。 本稿では,まず,最も一般的なプレゼンテーションアタック・インスツルメンツ(PAI)と一般公開されている指紋提示アタック(PA)データセットについて紹介する。 次に、既存のディープラーニングFPADを接触、接触なし、スマートフォンベースのアプローチに分類して記述する。 最後に,現在進行中のオープン課題について議論し,今後の展望を強調することで,論文を締めくくる。

関連論文リスト

• FEDLAD: Federated Evaluation of Deep Leakage Attacks and Defenses [50.921333548391345]
  フェデレーテッド・ラーニング(Federated Learning)は、分散型機械学習パラダイムをプライバシ保護するものだ。 近年の研究では、Deep Leakageと呼ばれる勾配技術によって、民間の真実データを復元できることが判明している。 本稿では、Deep Leakage攻撃と防御を評価するための総合的なベンチマークであるFEDLAD Framework(Federated Evaluation of Deep Leakage Attacks and Defenses)を紹介する。
  論文  参考訳（メタデータ） (2024-11-05T11:42:26Z)
• Unsupervised Fingerphoto Presentation Attack Detection With Diffusion Models [8.979820109339286]
  スマートフォンベースの非接触指紋認証は、従来のコンタクトベースの指紋生体認証システムに代わる信頼性の高い方法となっている。 その便利さにもかかわらず、指紋認証による指紋認証は、プレゼンテーション攻撃に対してより脆弱である。 我々は、最先端のディープラーニングに基づく拡散モデル、Denoising Probabilistic Diffusion Model (DDPM)に基づく新しい教師なしアプローチを提案する。 提案手法は,DDPMの入力対と出力対の再構成類似性を算出し,提示攻撃(PA)を検出する。
  論文  参考訳（メタデータ） (2024-09-27T11:07:48Z)
• Rethinking the Vulnerabilities of Face Recognition Systems:From a Practical Perspective [53.24281798458074]
  顔認識システム(FRS)は、監視やユーザー認証を含む重要なアプリケーションにますます統合されている。 最近の研究によると、FRSの脆弱性は敵(例えば、敵パッチ攻撃)やバックドア攻撃(例えば、データ中毒の訓練)であることが明らかになっている。
  論文  参考訳（メタデータ） (2024-05-21T13:34:23Z)
• Deep Learning meets Liveness Detection: Recent Advancements and Challenges [3.2011056280404637]
  我々は,2017年以降の深部機能的FAS手法に関する文献を包括的に調査している。 本研究では,FASの時系列,進化過程,評価基準について概説する。
  論文  参考訳（メタデータ） (2021-12-29T19:24:58Z)
• Deep Learning for Face Anti-Spoofing: A Survey [74.42603610773931]
  対面防止(FAS)は、プレゼンテーションアタック(PA)から顔認識システムを保護する上で重要な役割を担っているため、近年注目を集めている。
  論文  参考訳（メタデータ） (2021-06-28T19:12:00Z)
• Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
  大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。 我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。 我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
  論文  参考訳（メタデータ） (2020-10-19T13:09:31Z)
• A Survey on Unknown Presentation Attack Detection for Fingerprint [4.424609902825527]
  バイオメトリックス研究者は、プレゼンテーションアタック(PA)対策として、プレゼンテーションアタック検出(PAD)法を開発した。 PADは通常、特定のデータセットに対する既知の攻撃のために機械学習分類器をトレーニングすることで行われ、高い精度を達成する。 本稿では,指紋認証システムにおける既存のPADアルゴリズムについて,特に未知のPAD検出の観点から総合的な調査を行う。
  論文  参考訳（メタデータ） (2020-05-17T18:46:23Z)
• Towards Transferable Adversarial Attack against Deep Face Recognition [58.07786010689529]
  ディープ畳み込みニューラルネットワーク(DCNN)は敵の例に弱いことが判明した。 転送可能な敵の例は、DCNNの堅牢性を著しく妨げます。 DFANetは畳み込み層で使用されるドロップアウトベースの手法であり,サロゲートモデルの多様性を高めることができる。 クエリなしで4つの商用APIをうまく攻撃できる新しい対向顔ペアを生成します。
  論文  参考訳（メタデータ） (2020-04-13T06:44:33Z)
• 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。