論文の概要: PAD-Phys: Exploiting Physiology for Presentation Attack Detection in Face Biometrics

• arxiv url: http://arxiv.org/abs/2310.02140v1
• Date: Tue, 3 Oct 2023 15:24:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-04 13:38:21.520281
• Title: PAD-Phys: Exploiting Physiology for Presentation Attack Detection in Face Biometrics
• Title（参考訳）: PAD-Phys:顔バイオメトリックスにおける提示検出のための爆発的生理
• Authors: Luis F. Gomez, Julian Fierrez, Aythami Morales, Mahdi Ghafourian, Ruben Tolosana, Imanol Solano, Alejandro Garcia and Francisco Zamora-Martinez
• Abstract要約: r: (i) 生理領域, (ii) ディープフェイクス領域, (iii) プレゼンテーション攻撃領域に基づく提示攻撃検出のための3つのアプローチ その結果、プレゼンテーションアタックドメインを生理的およびディープフェイクスドメインと比較すると、平均分類誤り率(ACER)が21.70%減少していることがわかった。 実験では、r-ベースモデルにおける伝達学習の効率を強調し、この生理的特徴のコピーを許さない機器での提示攻撃検出をうまく行う。
• 参考スコア（独自算出の注目度）: 48.683457383784145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Presentation Attack Detection (PAD) is a crucial stage in facial recognition systems to avoid leakage of personal information or spoofing of identity to entities. Recently, pulse detection based on remote photoplethysmography (rPPG) has been shown to be effective in face presentation attack detection. This work presents three different approaches to the presentation attack detection based on rPPG: (i) The physiological domain, a domain using rPPG-based models, (ii) the Deepfakes domain, a domain where models were retrained from the physiological domain to specific Deepfakes detection tasks; and (iii) a new Presentation Attack domain was trained by applying transfer learning from the two previous domains to improve the capability to differentiate between bona-fides and attacks. The results show the efficiency of the rPPG-based models for presentation attack detection, evidencing a 21.70% decrease in average classification error rate (ACER) (from 41.03% to 19.32%) when the presentation attack domain is compared to the physiological and Deepfakes domains. Our experiments highlight the efficiency of transfer learning in rPPG-based models and perform well in presentation attack detection in instruments that do not allow copying of this physiological feature.
• Abstract（参考訳）: プレゼンテーション攻撃検出(PAD)は、顔認識システムにおいて、個人情報の漏洩やエンティティへのアイデンティティの偽造を避けるための重要な段階である。 近年,rPPG(remote Photoplethysmography)に基づくパルス検出は,顔提示攻撃検出に有効であることが示されている。 本稿では、rPPGに基づく提示攻撃検出に対する3つの異なるアプローチを示す。 (i)rppgモデルを用いた生理ドメイン (二)Deepfakesドメイン(モデルが生理領域から特定のDeepfakes検出タスクに再訓練された領域) (iii)ボナフィドとアタックを区別する能力を向上させるために、前2つのドメインから転送学習を適用して新たなプレゼンテーションアタックドメインを訓練した。 その結果、プレゼンテーション攻撃ドメインを生理的およびディープフェイクスドメインと比較すると、平均分類誤り率(ACER)が21.70%減少(41.03%から19.32%)していることが判明した。 実験では,rPPGモデルにおける伝達学習の効率を強調し,この生理的特徴のコピーを許さない機器での提示攻撃検出を良好に行う。

関連論文リスト

• 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)
• UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
  高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。 我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
  論文  参考訳（メタデータ） (2024-07-26T20:51:54Z)
• Time-Frequency Jointed Imperceptible Adversarial Attack to Brainprint Recognition with Deep Learning Models [7.019918611093632]
  本稿では,時間領域と周波数領域のEEG信号を同時攻撃する新たな敵攻撃手法を提案する。 本手法は,3つのデータセットと3つのディープラーニングモデルに対して,最先端の攻撃性能を実現する。
  論文  参考訳（メタデータ） (2024-03-15T05:06:34Z)
• Personalized Anomaly Detection in PPG Data using Representation Learning and Biometric Identification [3.8036939971290007]
  光胸腺造影信号は、継続的なフィットネス・ヘルスモニタリングに有意な可能性を秘めている。 Photoplethysmography信号は、一般的にウェアラブルデバイスから取得され、継続的なフィットネスと健康のモニタリングに重要な可能性を秘めている。 本稿では、表現学習とパーソナライズを利用した2段階のフレームワークを導入し、PSGデータの異常検出性能を改善する。
  論文  参考訳（メタデータ） (2023-07-12T18:05:05Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Benchmarking Joint Face Spoofing and Forgery Detection with Visual and Physiological Cues [81.15465149555864]
  視覚的外観と生理的rcuesを用いた第1回関節スプーフィングおよび検出ベンチマークを作成した。 r周期性判別を強化するために,顔の強信号マップと連続ウェーブレットを入力として変換した2分岐生理ネットワークを設計した。
  論文  参考訳（メタデータ） (2022-08-10T15:41:48Z)
• One-Class Knowledge Distillation for Face Presentation Attack Detection [53.30584138746973]
  本稿では,一級ドメイン適応による対面PADのクロスドメイン性能向上のための教師学生フレームワークを提案する。 学生ネットワークは、教師ネットワークを模倣し、ターゲットドメインの真の顔サンプルの類似した表現を学ぶために訓練される。 テストフェーズでは、教師と学生ネットワークの表現の類似度スコアを用いて、真の攻撃と区別する。
  論文  参考訳（メタデータ） (2022-05-08T06:20:59Z)
• Unsupervised Domain Adaptation for Dysarthric Speech Detection via Domain Adversarial Training and Mutual Information Minimization [52.82138296332476]
  本稿では,非教師付き領域適応問題として,クロスドメイン・ディザスリック音声検出(DSD)を定式化するための最初の試みを行う。 DPC, DAT, 相互情報最小化(MIM)を含むマルチタスク学習戦略を提案する。 実験の結果, 発話レベルの重み付き平均リコールと話者レベルの精度では, それぞれ22.2%, 20.0%の絶対的な増加が得られた。
  論文  参考訳（メタデータ） (2021-06-18T13:34:36Z)
• Anomaly Detection with Convolutional Autoencoders for Fingerprint Presentation Attack Detection [11.879849130630406]
  提示攻撃検出(PAD)法は、ボナファイド被検体由来のサンプルと、提示攻撃装置(PAI)由来のサンプルとを判定するために用いられる。 短波長赤外領域で捕獲されたボナファイドサンプル(すなわち1クラス)にのみ訓練されたオートエンコーダ(AE)に基づく新しいPAD手法を提案する。
  論文  参考訳（メタデータ） (2020-08-18T15:33:41Z)

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。