Fugu-MT 論文翻訳(概要): GRU-AUNet: A Domain Adaptation Framework for Contactless Fingerprint Presentation Attack Detection

論文の概要: GRU-AUNet: A Domain Adaptation Framework for Contactless Fingerprint Presentation Attack Detection

arxiv url: http://arxiv.org/abs/2504.01213v1
Date: Tue, 01 Apr 2025 22:02:41 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-03 13:21:41.681989
Title: GRU-AUNet: A Domain Adaptation Framework for Contactless Fingerprint Presentation Attack Detection
Title（参考訳）: GRU-AUNet:非接触指紋提示検出のためのドメイン適応フレームワーク
Authors: Banafsheh Adami, Nima Karimian,
Abstract要約: 本稿では,Swin TransformerベースのUNetアーキテクチャとGRU強化アテンション機構を統合したドメイン適応手法であるGRU-AUNetを紹介する。 GRU-AUNetはプレゼンテーション攻撃に対する堅牢なレジリエンスを示し、平均BPCERは0.09%、APCERは1.2%に達した。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Although contactless fingerprints offer user comfort, they are more vulnerable to spoofing. The current solution for anti-spoofing in the area of contactless fingerprints relies on domain adaptation learning, limiting their generalization and scalability. To address these limitations, we introduce GRU-AUNet, a domain adaptation approach that integrates a Swin Transformer-based UNet architecture with GRU-enhanced attention mechanisms, a Dynamic Filter Network in the bottleneck, and a combined Focal and Contrastive Loss function. Trained in both genuine and spoof fingerprint images, GRU-AUNet demonstrates robust resilience against presentation attacks, achieving an average BPCER of 0.09\% and APCER of 1.2\% in the CLARKSON, COLFISPOOF, and IIITD datasets, outperforming state-of-the-art domain adaptation methods.
Abstract（参考訳）: 接触のない指紋はユーザーを安心させるが、偽造には弱い。コンタクトレス指紋領域におけるアンチ・スプーフィングの現在の解決策は、一般化と拡張性を制限するドメイン適応学習に依存している。これらの制約に対処するために、GRU-AUNet、Swin TransformerベースのUNetアーキテクチャとGRU強化アテンション機構を統合したドメイン適応アプローチ、ボトルネックにおける動的フィルタネットワーク、およびFocalとContrastive Loss関数の組み合わせを紹介する。 GRU-AUNetは、本物の指紋と偽造指紋の両方で訓練され、プレゼンテーション攻撃に対する堅牢なレジリエンスを示し、CLARKSON、COLFISPOOF、IIITDデータセットにおいて平均BPCER 0.09\%、APCER 1.2\%を達成する。

関連論文リスト

Securing Graph Neural Networks in MLaaS: A Comprehensive Realization of Query-based Integrity Verification [68.86863899919358]
我々は機械学習におけるGNNモデルをモデル中心の攻撃から保護するための画期的なアプローチを導入する。提案手法は,GNNの完全性に対する包括的検証スキーマを含み,トランスダクティブとインダクティブGNNの両方を考慮している。本稿では,革新的なノード指紋生成アルゴリズムを組み込んだクエリベースの検証手法を提案する。
論文参考訳（メタデータ） (2023-12-13T03:17:05Z)
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)
An Open Patch Generator based Fingerprint Presentation Attack Detection using Generative Adversarial Network [3.5558308387389626]
自動指紋認識システム(AFRS)のセンサに本物の指紋の偽造を提示することによる脅威の一つに、提示攻撃(PA)または偽造(spoofing)がある。本稿では、GAN(Generative Adversarial Network)を用いて、提案したOpen Patch Generator(OPG)から生成されたスプーフサンプルを用いてデータセットを増強するCNNベースの手法を提案する。 96.20%、94.97%、92.90%の精度は、それぞれLivDetプロトコルのシナリオの下で、LivDet 2015、2017、2019データベースで達成されている。
論文参考訳（メタデータ） (2023-06-06T10:52:06Z)
AFR-Net: Attention-Driven Fingerprint Recognition Network [47.87570819350573]
指紋認識を含む生体認証における視覚変換器(ViT)の使用に関する初期研究を改善する。ネットワーク内の中間特徴マップから抽出した局所的な埋め込みを用いて,グローバルな埋め込みを低確かさで洗練する手法を提案する。この戦略は、既存のディープラーニングネットワーク(アテンションベース、CNNベース、あるいはその両方を含む)のラッパーとして適用することで、パフォーマンスを向上させることができる。
論文参考訳（メタデータ） (2022-11-25T05:10:39Z)
Mixture GAN For Modulation Classification Resiliency Against Adversarial Attacks [55.92475932732775]
本稿では,GANをベースとした新たな生成逆ネットワーク(Generative Adversarial Network, GAN)を提案する。 GANベースの目的は、DNNベースの分類器に入力する前に、敵の攻撃例を排除することである。シミュレーションの結果,DNNをベースとしたAMCの精度が約81%に向上する可能性が示唆された。
論文参考訳（メタデータ） (2022-05-29T22:30:32Z)
Domain Adaptation for Object Detection using SE Adaptors and Center Loss [0.0]
本稿では,高速RCNNに基づく教師なしドメイン適応手法を導入し,ドメインシフトによる性能低下を防止する。また、SEアダプタと呼ばれる圧縮励起機構を利用して、ドメインの注意を向上するアダプティブレイヤのファミリーも導入する。最後に、インスタンスと画像レベルの表現に中心損失を組み込んで、クラス内分散を改善する。
論文参考訳（メタデータ） (2022-05-25T17:18:31Z)
Safe Self-Refinement for Transformer-based Domain Adaptation [73.8480218879]
Unsupervised Domain Adaptation (UDA)は、ラベル豊富なソースドメインを活用して、関連するラベルのないターゲットドメイン上のタスクを解決することを目的としている。特にソースとターゲットドメインの間に大きなドメインギャップがある場合、これは難しい問題です。 SSRT (Safe Self-Refinement for Transformer-based domain adaptation) という新しい手法を提案する。
論文参考訳（メタデータ） (2022-04-16T00:15:46Z)
Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文参考訳（メタデータ） (2021-08-28T09:29:14Z)
Fingerprinting Image-to-Image Generative Adversarial Networks [53.02510603622128]
Generative Adversarial Networks (GAN) は様々なアプリケーションシナリオで広く利用されている。本稿では,信頼できる第三者に基づく画像間GANの知的保護のための新しい指紋認証方式を提案する。
論文参考訳（メタデータ） (2021-06-19T06:25:10Z)
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。