論文の概要: IDTrust: Deep Identity Document Quality Detection with Bandpass
Filtering
- arxiv url: http://arxiv.org/abs/2403.00573v1
- Date: Fri, 1 Mar 2024 14:53:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 17:06:27.588227
- Title: IDTrust: Deep Identity Document Quality Detection with Bandpass
Filtering
- Title(参考訳): IDTrust:バンドパスフィルタを用いた深部文書品質検出
- Authors: Musab Al-Ghadi, Joris Voerman, Souhail Bakkali, Micka\"el Coustaty,
Nicolas Sidere, Xavier St-Georges
- Abstract要約: IDTrustは、深層学習に基づくアプローチを用いて、識別文書の品質を高めるシステムである。
バンドパスフィルタリングに基づく手法を用いて,IDの品質を効果的に検出し,識別することを目的とする。
- 参考スコア(独自算出の注目度): 0.5542462410129538
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increasing use of digital technologies and mobile-based registration
procedures highlights the vital role of personal identity documents (IDs) in
verifying users and safeguarding sensitive information. However, the rise in
counterfeit ID production poses a significant challenge, necessitating the
development of reliable and efficient automated verification methods. This
paper introduces IDTrust, a deep-learning framework for assessing the quality
of IDs. IDTrust is a system that enhances the quality of identification
documents by using a deep learning-based approach. This method eliminates the
need for relying on original document patterns for quality checks and
pre-processing steps for alignment. As a result, it offers significant
improvements in terms of dataset applicability. By utilizing a bandpass
filtering-based method, the system aims to effectively detect and differentiate
ID quality. Comprehensive experiments on the MIDV-2020 and L3i-ID datasets
identify optimal parameters, significantly improving discrimination performance
and effectively distinguishing between original and scanned ID documents.
- Abstract(参考訳): デジタル技術の利用の増加とモバイルベースの登録手続きは、ユーザ認証と機密情報の保護において、個人識別文書(ID)の重要性を強調している。
しかし、偽造ID生産の増加は重大な課題となり、信頼性と効率的な自動検証手法の開発が必要である。
本稿では,IDの品質を評価するためのディープラーニングフレームワーク IDTrust を紹介する。
IDTrustは深層学習に基づく手法を用いて識別文書の品質を向上させるシステムである。
この方法では、品質チェックやアライメントのための前処理ステップにオリジナルのドキュメントパターンに頼る必要がなくなる。
その結果、データセットの適用性が大幅に向上した。
バンドパスフィルタリングに基づく手法により,IDの品質を効果的に検出し,識別することを目的とする。
MIDV-2020とL3i-IDデータセットの総合的な実験は、最適なパラメータを特定し、識別性能を著しく改善し、元のID文書とスキャンされたID文書を効果的に区別する。
関連論文リスト
- Similar Document Template Matching Algorithm [0.0]
本研究は,医療文書の総合的検証手法について概説する。
テンプレート抽出、比較、不正検出に高度な技術が組み込まれている。
この手法は、医用文書検証に対する堅牢なアプローチを提供する。
論文 参考訳(メタデータ) (2023-11-21T15:13:18Z) - ACID: Abstractive, Content-Based IDs for Document Retrieval with
Language Models [69.86170930261841]
ACIDを導入し、それぞれのドキュメントのIDは、大きな言語モデルによって生成される抽象的なキーフレーズから構成される。
我々はACIDの使用がトップ10とトップ20の精度を15.6%、14.4%改善することを示した。
本研究は,LMを用いた生成検索における人間可読な自然言語IDの有効性を実証するものである。
論文 参考訳(メタデータ) (2023-11-14T23:28:36Z) - Out-of-Distribution Knowledge Distillation via Confidence Amendment [50.56321442948141]
標準ネットワークがトレーニングされるIDデータから逸脱するテストサンプルを特定するためには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。
本稿では,IDデータのトレーニングが可能であるか否かを問う,先駆的な学習フレームワークであるOODナレッジ蒸留について紹介する。
このフレームワークは、標準ネットワークからOODに敏感な知識を活用し、IDとOODサンプルの識別に適したバイナリ分類器を構築する。
論文 参考訳(メタデータ) (2023-11-14T08:05:02Z) - Improving Cross-dataset Deepfake Detection with Deep Information
Decomposition [57.284370468207214]
ディープフェイク技術は、セキュリティと社会的信頼に重大な脅威をもたらす。
既存の検出方法は、クロスデータセットのシナリオに直面した場合、パフォーマンスの急激な低下に悩まされる。
本稿では,深層情報分解(DID)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-30T12:30:25Z) - Exploration and Exploitation of Unlabeled Data for Open-Set
Semi-Supervised Learning [130.56124475528475]
半教師付き学習 (SSL) において, 未ラベルデータには, 内分布 (ID) と外分布 (OOD) の両方を含む, オープンセット SSL という複雑なシナリオに対処する。
提案手法は, 未ラベルデータにIDサンプルが完全に欠落している場合でも, 既存のSSL方式を改良する。
論文 参考訳(メタデータ) (2023-06-30T14:25:35Z) - Unsupervised Text Deidentification [101.2219634341714]
個人識別情報を漏洩する単語を隠蔽する教師なしの識別手法を提案する。
K匿名性に基づくプライバシによって動機づけられた私たちは、最小の再識別ランクを保証するリアクションを生成します。
論文 参考訳(メタデータ) (2022-10-20T18:54:39Z) - Identity Documents Authentication based on Forgery Detection of
Guilloche Pattern [2.606834301724095]
ギロシェパターンの偽造検出に基づく識別文書の認証モデルを提案する。
認証性能を高めるために、最も適切なパラメータを分析し、識別するために実験を行う。
論文 参考訳(メタデータ) (2022-06-22T11:37:10Z) - Supervision Adaptation Balancing In-distribution Generalization and
Out-of-distribution Detection [36.66825830101456]
In-distribution (ID) と Out-of-distribution (OOD) のサンプルは、ディープニューラルネットワークにおけるtextitdistributionalな脆弱性を引き起こす可能性がある。
我々は,OODサンプルに対する適応的な監視情報を生成するために,新しいテクスツパービジョン適応手法を導入し,IDサンプルとの互換性を高めた。
論文 参考訳(メタデータ) (2022-06-19T11:16:44Z) - GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。
FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
論文 参考訳(メタデータ) (2022-04-12T03:49:35Z) - Privacy-Aware Identity Cloning Detection based on Deep Forest [9.051524543426451]
このアプローチでは、ソーシャルネットワークから収集されたプライバシに敏感なユーザプロファイルデータと強力なディープラーニングモデルを活用して、クローンID検出を行う。
提案手法は,実世界のデータセット上で,最先端の識別クローン検出技術と,他の一般的な識別不正検出モデルに対して評価した。
論文 参考訳(メタデータ) (2021-10-21T04:55:52Z) - Real-time information retrieval from Identity cards [0.0]
本稿では,識別カード(ID)の旅路における最先端手法を提案する。
実験の結果,従来の手法ではなく,EAST(Efficient and Accurate Scene Text)検出器やディープニューラルネットワーク(Deep Neural Network,DNN)などの深層学習に基づく手法を顔検出に活用することが証明された。
論文 参考訳(メタデータ) (2020-03-26T18:37:29Z)
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。