論文の概要: Are Foundation Models All You Need for Zero-shot Face Presentation Attack Detection?

• arxiv url: http://arxiv.org/abs/2507.16393v1
• Date: Tue, 22 Jul 2025 09:38:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 21:34:14.048972
• Title: Are Foundation Models All You Need for Zero-shot Face Presentation Attack Detection?
• Title（参考訳）: ファウンデーションモデルはゼロショット顔提示攻撃検出に必要か?
• Authors: Lazaro Janier Gonzalez-Sole, Juan E. Tapia, Christoph Busch,
• Abstract要約: 顔認識システムは攻撃提示(AP)に対して脆弱である 本稿では,ゼロショットプレゼンテーションアタック検出(PAD)手法について述べる。 まず,確立された実験シナリオにおける基礎モデルの有効性と一般性を評価する。
• 参考スコア（独自算出の注目度）: 7.287930923353593
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Although face recognition systems have undergone an impressive evolution in the last decade, these technologies are vulnerable to attack presentations (AP). These attacks are mostly easy to create and, by executing them against the system's capture device, the malicious actor can impersonate an authorised subject and thus gain access to the latter's information (e.g., financial transactions). To protect facial recognition schemes against presentation attacks, state-of-the-art deep learning presentation attack detection (PAD) approaches require a large amount of data to produce reliable detection performances and even then, they decrease their performance for unknown presentation attack instruments (PAI) or database (information not seen during training), i.e. they lack generalisability. To mitigate the above problems, this paper focuses on zero-shot PAD. To do so, we first assess the effectiveness and generalisability of foundation models in established and challenging experimental scenarios and then propose a simple but effective framework for zero-shot PAD. Experimental results show that these models are able to achieve performance in difficult scenarios with minimal effort of the more advanced PAD mechanisms, whose weights were optimised mainly with training sets that included APs and bona fide presentations. The top-performing foundation model outperforms by a margin the best from the state of the art observed with the leaving-one-out protocol on the SiW-Mv2 database, which contains challenging unknown 2D and 3D attacks
• Abstract（参考訳）: 顔認識システムは過去10年間、目覚ましい進化を遂げてきたが、これらの技術は攻撃的なプレゼンテーション(AP)に対して脆弱である。 これらの攻撃は主に生成が容易で、システムのキャプチャー装置に対して実行することで、悪意のあるアクターが認証対象を偽装し、それによって後者の情報(例えば金融取引)にアクセスできるようになる。 顔認証方式を提示攻撃から保護するためには、最先端のディープラーニング・プレゼンテーション・アタック・アタック・アタック(PAD)アプローチは、信頼性の高い検出性能を得るために大量のデータを必要とし、それでも未知のプレゼンテーション・アタック・インスツルメント(PAI)やデータベース(トレーニング中に見えない情報)の性能を低下させる。 上記の問題を緩和するために、ゼロショットPADに焦点を当てる。 そこで我々はまず,確立された実験シナリオにおける基礎モデルの有効性と一般性を評価し,ゼロショットPADのためのシンプルで効果的なフレームワークを提案する。 実験結果から,これらのモデルでは,APやボナフィドのプレゼンテーションを含むトレーニングセットを中心に重みを最適化した,より高度なPAD機構の最小限の労力で,困難なシナリオで性能を達成できることが示唆された。 SiW-Mv2データベース上では、未知の2Dおよび3D攻撃を含む1回限りのプロトコルで観測される最先端の基盤モデルは、最先端の最先端技術よりも優れています。

関連論文リスト

• Preliminary Investigation into Uncertainty-Aware Attack Stage Classification [81.28215542218724]
  この研究は、不確実性の下での攻撃段階推論の問題に対処する。 Evidential Deep Learning (EDL) に基づく分類手法を提案し、ディリクレ分布のパラメータを可能な段階に出力することで予測の不確実性をモデル化する。 シミュレーション環境における予備実験により,提案モデルが精度良く攻撃の段階を推定できることが実証された。
  論文  参考訳（メタデータ） (2025-08-01T06:58:00Z)
• Attacking Attention of Foundation Models Disrupts Downstream Tasks [11.538345159297839]
  ファンデーションモデルは大規模なモデルであり、多くの下流タスクで高い精度を提供する広範囲なデータに基づいて訓練されている。 これらのモデルは敵の攻撃に弱い。 本稿では,CLIP と ViT に着目した視覚基盤モデルの脆弱性について検討する。 タスクに依存しない方法でトランスフォーマーアーキテクチャの構造をターゲットとした,新たな攻撃手法を提案する。
  論文  参考訳（メタデータ） (2025-06-03T19:42:48Z)
• 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)
• Learn from the Past: A Proxy Guided Adversarial Defense Framework with Self Distillation Regularization [53.04697800214848]
  敵対的訓練(AT)は、ディープラーニングモデルの堅牢性を固める上で重要な要素である。 AT方式は、目標モデルの防御のために直接反復的な更新を頼りにしており、不安定な訓練や破滅的なオーバーフィッティングといった障害に頻繁に遭遇する。 汎用プロキシガイド型防衛フレームワークLAST(bf Pbf astから学ぶ)を提案する。
  論文  参考訳（メタデータ） (2023-10-19T13:13:41Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• Face Presentation Attack Detection [59.05779913403134]
  顔認識技術は、チェックインやモバイル支払いといった日々の対話的アプリケーションで広く利用されている。 しかしながら、プレゼンテーションアタック(PA)に対する脆弱性は、超セキュアなアプリケーションシナリオにおける信頼性の高い使用を制限する。
  論文  参考訳（メタデータ） (2022-12-07T14:51:17Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Introduction to Presentation Attack Detection in Face Biometrics and Recent Advances [21.674697346594158]
  次のページでは、顔認識システムが直面する可能性のある、異なるプレゼンテーションアタックを示す。 顔認識の現状と,その展開レベル,課題について紹介する。 我々は,より単純なものからより複雑なものまで,さまざまな種類のプレゼンテーションアタック手法について検討し,その効果を検証した。
  論文  参考訳（メタデータ） (2021-11-23T11:19:22Z)
• Federated Test-Time Adaptive Face Presentation Attack Detection with Dual-Phase Privacy Preservation [100.69458267888962]
  顔提示攻撃検出(fPAD)は、現代の顔認識パイプラインにおいて重要な役割を果たす。 法的およびプライバシー上の問題により、トレーニングデータ(実際の顔画像と偽画像)は、異なるデータソース間で直接共有することはできない。 本稿では,二相プライバシー保護フレームワークを用いたフェデレーションテスト時間適応顔提示検出を提案する。
  論文  参考訳（メタデータ） (2021-10-25T02:51:05Z)
• On the Effectiveness of Vision Transformers for Zero-shot Face Anti-Spoofing [7.665392786787577]
  本研究では、ゼロショットアンチスプーフィングタスクにおいて、視覚変換器モデルからの伝達学習を用いる。 提案手法は、HQ-WMCAおよびSiW-Mデータセットにおけるゼロショットプロトコルにおける最先端の手法を大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-11-16T15:14:59Z)
• MixNet for Generalized Face Presentation Attack Detection [63.35297510471997]
  我々は、プレゼンテーションアタックを検出するための、TextitMixNetと呼ばれるディープラーニングベースのネットワークを提案している。 提案アルゴリズムは最先端の畳み込みニューラルネットワークアーキテクチャを利用して,各攻撃カテゴリの特徴マッピングを学習する。
  論文  参考訳（メタデータ） (2020-10-25T23:01:13Z)
• A Zero-Shot based Fingerprint Presentation Attack Detection System [8.676298469169174]
  PADモデルの一般化を保証するため,新しいゼロショット提示検出モデルを提案する。 生成モデルに基づくZSPADモデルでは, 確立過程において負のサンプルを一切利用しない。 本論文では,提案モデルの性能向上のために,9つの信頼性スコアについて論じる。
  論文  参考訳（メタデータ） (2020-02-12T10:52:38Z)

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。