論文の概要: VISER: Visually-Informed System for Enhanced Robustness in Open-Set Iris Presentation Attack Detection

• arxiv url: http://arxiv.org/abs/2603.17859v1
• Date: Wed, 18 Mar 2026 15:45:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.804933
• Title: VISER: Visually-Informed System for Enhanced Robustness in Open-Set Iris Presentation Attack Detection
• Title（参考訳）: VISER:オープンセットアイリス提示検出におけるロバスト性向上のための視覚インフォームドシステム
• Authors: Byron Dowling, Eleanor Frederick, Jacob Piland, Adam Czajka,
• Abstract要約: 我々は、手書きアノテーション、目追跡ヒートマップ、セグメンテーションマスク、DINOv2を最先端のディープラーニングベースラインに埋め込み、比較実験を行った。 左ワンアタック型アウトパラダイムにおけるオープンセットPADの結果,視線追跡ヒートマップはクロスエントロピーよりも最高の一般化改善を示すことが示された。
• 参考スコア（独自算出の注目度）: 3.0925941606647123
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human perceptual priors have shown promise in saliency-guided deep learning training, particularly in the domain of iris presentation attack detection (PAD). Common saliency approaches include hand annotations obtained via mouse clicks and eye gaze heatmaps derived from eye tracking data. However, the most effective form of human saliency for open-set iris PAD remains underexplored. In this paper, we conduct a series of experiments comparing hand annotations, eye tracking heatmaps, segmentation masks, and DINOv2 embeddings to a state-of-the-art deep learning-based baseline on the task of open-set iris PAD. Results for open-set PAD in a leave-one-attack-type out paradigm indicate that denoised eye tracking heatmaps show the best generalization improvement over cross entropy in terms of Area Under the ROC curve (AUROC) and Attack Presentation Classification Error Rate (APCER) at Bona Fide Presentation Classification Error Rate (BPCER) of 1%. Along with this paper, we offer trained models, code, and saliency maps for reproducibility and to facilitate follow-up research efforts.
• Abstract（参考訳）: ヒトの知覚的先行性は、特に虹彩提示攻撃検出(PAD)の領域において、唾液度誘導深層学習訓練において有望であることが示されている。 一般的なサリエンシアプローチには、マウスクリックによる手書きアノテーションや、アイトラッキングデータから得られた目視ヒートマップなどがある。 しかしながら、オープンセットアイリスPADに対するヒト唾液価の最も効果的な形態は、いまだ解明されていない。 本稿では,手書きアノテーション,視線追跡ヒートマップ,セグメンテーションマスク,DINOv2を,オープンセットアイリスPADのタスクに基づく最先端のディープラーニングベースラインに埋め込む実験を行った。 ROC曲線(AUROC)とAPCER(Attack Presentation Classification Error Rate)はBPCER(Bona Fide Presentation Classification Error Rate)の1%である。 本稿では,再現性向上のための訓練済みモデル,コード,サリエンシマップを提供するとともに,フォローアップ研究の促進を図る。

関連論文リスト

• Open Set Recognition for Endoscopic Image Classification: A Deep Learning Approach on the Kvasir Dataset [5.762226441746656]
  ResNet-50、Swin Transformer、ハイブリッドResNet-Transformerモデルなど、いくつかの代表的なディープラーニングアーキテクチャのOSR機能をクローズドセットおよびオープンセット条件下で評価・比較する。 この研究は、Kvasirデータセットにオープンセット認識を適用するための最初の取り組みの1つであり、医療画像解析においてOSRのパフォーマンスを評価するためのベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-06-23T04:39:07Z)
• Learning Knowledge-based Prompts for Robust 3D Mask Presentation Attack Detection [71.60120616284246]
  本稿では,3次元マスク提示攻撃検出のための視覚言語モデルの強力な一般化能力を検討するための,知識に基づく新しいプロンプト学習フレームワークを提案する。 実験により,提案手法は最先端のシナリオ内およびクロスシナリオ検出性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-05-06T15:09:23Z)
• Occlusion-Aware Self-Supervised Monocular Depth Estimation for Weak-Texture Endoscopic Images [1.1084686909647639]
  内視鏡的シーンに適した自己教師付き単眼深度推定ネットワークを提案する。 既存の方法は正確ではあるが、通常は一貫した照明を仮定する。 これらの変化は、誤った幾何学的解釈と信頼できない自己監督信号をもたらす。
  論文  参考訳（メタデータ） (2025-04-24T14:12:57Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Enhancing AI Diagnostics: Autonomous Lesion Masking via Semi-Supervised Deep Learning [1.4053129774629076]
  本研究では,乳房超音波(US)画像における乳房病変の鑑別を目的とした,関心領域(ROI)を自律的に生成することを目的とした,教師なし領域適応手法を提案する。 我々の半教師付き学習アプローチは、真のアノテーションを持つ小さな母乳USデータセットで訓練された原始モデルを利用する。 このモデルはドメイン適応タスクのために反復的に洗練され、当社のプライベートな無注釈乳房データセットに擬似マスクを生成します。
  論文  参考訳（メタデータ） (2024-04-18T18:25:00Z)
• Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection in OCTA Images [53.235117594102675]
  オプティカルコヒーレンス・トモグラフィーは、網膜微小血管の画像化によってアルツハイマー病(AD)を検出するための有望なツールである。 我々はPolar-Netと呼ばれる新しいディープラーニングフレームワークを提案し、解釈可能な結果を提供し、臨床上の事前知識を活用する。 Polar-Netは既存の最先端の手法よりも優れており,網膜血管変化とADとの関連性について,より貴重な病理学的証拠を提供する。
  論文  参考訳（メタデータ） (2023-11-10T11:49:49Z)
• PAD-Phys: Exploiting Physiology for Presentation Attack Detection in Face Biometrics [48.683457383784145]
  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。
  論文  参考訳（メタデータ） (2023-10-03T15:24:15Z)
• A Deep Learning Approach for the Segmentation of Electroencephalography Data in Eye Tracking Applications [56.458448869572294]
  脳波データの時系列セグメンテーションのための新しいフレームワークDETRtimeを紹介する。 エンドツーエンドのディープラーニングベースのフレームワークは、コンピュータビジョンの進歩を前面に立たせています。 我々のモデルは脳波睡眠ステージセグメンテーションのタスクにおいてよく一般化される。
  論文  参考訳（メタデータ） (2022-06-17T10:17:24Z)
• Intra and Cross-spectrum Iris Presentation Attack Detection in the NIR and Visible Domains Using Attention-based and Pixel-wise Supervised Learning [8.981081097203088]
  アイリス提示攻撃検出(PAD)はアイリス認識システムに必須である。 近年のIris PADソリューションは、ディープラーニング技術を活用して優れた性能を実現している。 本章では,新しい注目型深部画素二元監督法(A-PBS)を提案する。
  論文  参考訳（メタデータ） (2022-05-05T11:12:59Z)
• Deep convolutional neural networks for face and iris presentation attack detection: Survey and case study [0.5801044612920815]
  顔PADのクロスデータセット評価は,術式よりも一般化が良好であった。 顔と虹彩の両方の攻撃を検出するために訓練された1つのディープネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-25T02:06:19Z)

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。