Fugu-MT 論文翻訳(概要): Domain-Generalized Face Anti-Spoofing with Unknown Attacks

論文の概要: Domain-Generalized Face Anti-Spoofing with Unknown Attacks

arxiv url: http://arxiv.org/abs/2310.11758v1
Date: Wed, 18 Oct 2023 07:31:35 GMT
ステータス: 処理完了
システム内更新日: 2023-10-19 17:26:57.882853
Title: Domain-Generalized Face Anti-Spoofing with Unknown Attacks
Title（参考訳）: 未知の攻撃を伴うドメイン一般化顔偽造
Authors: Zong-Wei Hong, Yu-Chen Lin, Hsuan-Tung Liu, Yi-Ren Yeh, Chu-Song Chen
Abstract要約: 本稿では,トランスフォーマーを用いた特徴抽出器と未知の攻撃サンプル生成器(SUASG)を組み合わせたDGUA-FASを紹介する。実験結果から,本手法は未知または未知の攻撃を伴う領域一般化FASにおいて優れた性能を発揮することが示された。
参考スコア（独自算出の注目度）: 16.870702150284732
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Although face anti-spoofing (FAS) methods have achieved remarkable performance on specific domains or attack types, few studies have focused on the simultaneous presence of domain changes and unknown attacks, which is closer to real application scenarios. To handle domain-generalized unknown attacks, we introduce a new method, DGUA-FAS, which consists of a Transformer-based feature extractor and a synthetic unknown attack sample generator (SUASG). The SUASG network simulates unknown attack samples to assist the training of the feature extractor. Experimental results show that our method achieves superior performance on domain generalization FAS with known or unknown attacks.
Abstract（参考訳）: face anti-spoofing (fas) メソッドは特定のドメインや攻撃タイプにおいて顕著なパフォーマンスを達成したが、実際のアプリケーションシナリオに近いドメイン変更と未知のアタックの同時発生に焦点を当てた研究はほとんどない。ドメイン一般化未知攻撃に対処するため,トランスフォーマーベースの特徴抽出器と合成未知攻撃サンプルジェネレータ(SUASG)を組み合わせた新しい手法DGUA-FASを導入する。 SUASGネットワークは未知の攻撃サンプルをシミュレートし、特徴抽出器の訓練を支援する。実験結果から,本手法は未知または未知の攻撃を伴う領域一般化FASにおいて優れた性能を発揮することが示された。

関連論文リスト

Meta Invariance Defense Towards Generalizable Robustness to Unknown Adversarial Attacks [62.036798488144306]
現在の防衛は主に既知の攻撃に焦点を当てているが、未知の攻撃に対する敵意の強固さは見過ごされている。メタ不変防衛(Meta Invariance Defense, MID)と呼ばれる攻撃非依存の防御手法を提案する。 MIDは高レベルの画像分類と低レベルの頑健な画像再生における攻撃抑制において,知覚不能な逆方向の摂動に対して同時に頑健性を実現する。
論文参考訳（メタデータ） (2024-04-04T10:10:38Z)
Contrastive Pseudo Learning for Open-World DeepFake Attribution [67.58954345538547]
オープンワールド・ディープフェイク (OW-DFA) と呼ばれる新しいベンチマークを導入する。 OW-DFAタスクにおけるコントラスト擬似学習(Contrastive Pseudo Learning, CPL)と呼ばれる新しいフレームワークを提案する。1)グローバル・ローカル投票モジュールを導入し、異なる操作領域の偽顔の特徴的アライメントを誘導し、2)信頼に基づくソフト擬似ラベル戦略を設計し、類似の手法による非ラベル集合における擬似雑音の軽減を図る。
論文参考訳（メタデータ） (2023-09-20T08:29:22Z)
Detecting Adversarial Faces Using Only Real Face Self-Perturbations [36.26178169550577]
アドリアックは、入力サンプルに特定のノイズを加えることで、ターゲットシステムの機能を妨害することを目的としている。既存の防御技術は、特定の対向顔(adv-faces)の検出において高い精度を達成する全く異なるノイズパターンを持つ新しい攻撃方法、特にGANベースの攻撃は、それらを回避し、より高い攻撃成功率に達する。
論文参考訳（メタデータ） (2023-04-22T09:55:48Z)
On Trace of PGD-Like Adversarial Attacks [77.75152218980605]
敵対的攻撃は、ディープラーニングアプリケーションに対する安全性とセキュリティ上の懸念を引き起こす。モデルの勾配一貫性を反映した適応応答特性(ARC)特性を構築する。私たちの方法は直感的で、軽量で、非侵襲的で、データ不要です。
論文参考訳（メタデータ） (2022-05-19T14:26:50Z)
On the Robustness of Domain Adaption to Adversarial Attacks [10.856578284419093]
最先端のディープニューラルネットワーク(DNN)は、教師なしドメイン適応(UDA)において優れた性能を示すことが証明されている。最近の研究は、DNNが敵のサンプルに攻撃された場合、元の画像に小さな乱れを加えるだけで、これらの攻撃を実施できることを示す。敵攻撃に対する教師なしドメイン適応の堅牢性について論じる。
論文参考訳（メタデータ） (2021-08-04T01:57:00Z)
Domain Generalization with Pseudo-Domain Label for Face Anti-Spoofing [27.65463892151642]
フェース・アンチ・スプーフィング(FAS)は、顔表現攻撃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。本稿では,クラスタ化された畳み込み特徴統計を用いて,ネットワークが自身のドメインを判断できる手法を提案する。
論文参考訳（メタデータ） (2021-07-14T08:35:07Z)
Selective and Features based Adversarial Example Detection [12.443388374869745]
Deep Neural Networks (DNN) を中継するセキュリティに敏感なアプリケーションは、Adversarial Examples (AE) を生成するために作られた小さな摂動に弱い。本稿では,マルチタスク学習環境における選択的予測,モデルレイヤの出力処理,知識伝達概念を用いた教師なし検出機構を提案する。実験の結果,提案手法は,ホワイトボックスシナリオにおけるテスト攻撃に対する最先端手法と同等の結果を得られ,ブラックボックスとグレーボックスシナリオの精度が向上した。
論文参考訳（メタデータ） (2021-03-09T11:06:15Z)
Adversarial Unsupervised Domain Adaptation Guided with Deep Clustering for Face Presentation Attack Detection [0.8701566919381223]
顔提示攻撃検知(PAD)は顔認識システムを確保するために注目されている。 PAD一般化能力を改善するために,ドメイン適応(DA)に基づくエンドツーエンド学習フレームワークを提案する。
論文参考訳（メタデータ） (2021-02-13T05:34:40Z)
Uncertainty-Aware Physically-Guided Proxy Tasks for Unseen Domain Face Anti-spoofing [128.32381246318954]
Face Anti-Spoofing (FAS)は、偽の顔と偽の顔とを区別しようと試みている。そこで本研究では,未確認領域のより高度な一般化を実現するために,物理手法を活用することを提案する。
論文参考訳（メタデータ） (2020-11-28T03:22:26Z)
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)
Temporal Sparse Adversarial Attack on Sequence-based Gait Recognition [56.844587127848854]
このような攻撃に対して,最先端の歩行認識モデルが脆弱であることを示す。生成した対向ネットワークに基づくアーキテクチャを用いて、対向的な高品質な歩行シルエットやビデオフレームを意味的に生成する。実験結果から, フレームの1分の1しか攻撃されない場合, 対象モデルの精度は劇的に低下することがわかった。
論文参考訳（メタデータ） (2020-02-22T10:08:42Z)

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。