論文の概要: Cascade Forgery Mining Network for Fingerprint Presentation Attack Detection
- arxiv url: http://arxiv.org/abs/2607.24090v1
- Date: Mon, 27 Jul 2026 07:28:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.345811
- Title: Cascade Forgery Mining Network for Fingerprint Presentation Attack Detection
- Title（参考訳）: 指紋提示検出のためのカスケードフォージェリーマイニングネットワーク
- Abstract要約: 指紋識別システムにおいて,指紋提示検出(PAD)は重要な要素である。
指紋画像の異なる領域は、様々なアーティファクト抽出困難(AED)を示すことができる
本稿では,ローカルなGabor特徴量を用いてAEDを定量化し,各AED値に基づいて指紋画像を複数の領域に分割する。
次に、適応深度特徴抽出アーキテクチャを用いたAEDガイド付きカスケードフォージェリーマイニングネットワーク(CFM-Net)を提案する。
- 参考スコア（独自算出の注目度）: 11.801904443831658
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fingerprint Presentation Attack Detection (PAD) is a critical component of fingerprint identification systems, serving as a protective measure against unauthorized access. In this paper, we observe that different regions of a fingerprint image can exhibit varying Artifact Extraction Difficulty (AED), with high-AED regions requiring more sophisticated extraction mechanisms to capture more subtle discriminative evidence. To address this issue, we propose to quantify AED using local Gabor feature certainty and partition fingerprint images into multiple regions based on their respective AED values. We then propose an AED guided Cascade Forgery Mining Network (CFM-Net) that employs an adaptive-depth feature extraction architecture to detect more precise and comprehensive artifact evidence across regions with heterogeneous AED values. Furthermore, we introduce an Orientation Guided Adversarial Training (OGAT) module to filter out identity information from PAD features while preserving the integrity of original artifact evidence. Experimental evaluations on LivDet datasets demonstrate the superior performance of our approach compared to state-of-the-art methods and achieve significant improvement in the classification ability of high AED fingerprints.
- Abstract（参考訳）: 指紋提示攻撃検出(英: Fingerprint Presentation Detection、PAD)は、指紋認証システムにおいて重要な要素であり、不正アクセスに対する保護措置として機能する。
本稿では, 指紋画像の異なる領域が, 様々なArtifact extract Difficulty (AED) を呈し, 高AED領域はより精密な抽出機構を必要とし, より微妙な識別的証拠を捉える。
この問題に対処するために,ローカルなGabor特徴量を用いてAEDを定量化し,各AED値に基づいて指紋画像を複数の領域に分割する手法を提案する。
AED誘導型カスケードフォージェリーマイニングネットワーク (CFM-Net) を提案し, 適応深度特徴抽出アーキテクチャを用いて異種AED値を持つ領域にわたって, より正確かつ包括的なアーティファクト証拠を検出する。
さらに, オリエンテーション・ガイド・アドバイザリアル・トレーニング(OGAT)モジュールを導入し, PAD特徴から識別情報をフィルタリングし, 元のアーティファクトの完全性を維持した。
LivDetデータセットを用いた実験により,最先端の手法と比較して,アプローチの優れた性能を示し,高いAED指紋の分類能力を大幅に向上させることができた。
関連論文リスト
- Antidistillation Fingerprinting [119.66677613290359]
本稿では, 学生の学習力学と指紋認証の目的を一致させる原則的アプローチとして, 抗蒸留フィンガープリント (ADFP) を導入する。
ADFPは、学生モデルのアーキテクチャが未知であっても、最先端のベースラインよりも大幅に改善され、実用性への影響が最小限に抑えられた検出信頼性が向上する。
論文 参考訳（メタデータ） (2026-02-03T18:15:50Z) - Deep Learning Models for Robust Facial Liveness Detection [56.08694048252482]
本研究では,現代のアンチスプーフィング手法の欠陥に対処する新しい深層学習モデルを用いて,ロバストな解を提案する。
テクスチャ解析と実際の人間の特性に関連する反射特性を革新的に統合することにより、我々のモデルは、顕著な精度でレプリカと真の存在を区別する。
論文 参考訳（メタデータ） (2025-08-12T17:19:20Z) - Finger Pose Estimation for Under-screen Fingerprint Sensor [33.05877729161858]
画面下指紋ポーズ推定のための新しいデュアルモーダル入力ベースネットワークを提案する。
本手法は,スクリーン下指紋センサによる隆起パッチから抽出したテクスチャの詳細と,タッチスクリーンから得られた容量画像から得られた粗い輪郭を効果的に統合する。
本手法は従来のSOTA法よりも優れており,指紋認識アルゴリズムの認識能力を大幅に向上させる。
論文 参考訳（メタデータ） (2025-05-05T09:05:47Z) - Latent fingerprint enhancement for accurate minutiae detection [8.996826918574463]
本稿では,GAN(Generative Adversary Network)を用いてLFE(Latent Fingerprint Enhancement)を再定義する手法を提案する。
生成過程の微妙な情報を直接最適化することにより、このモデルは、地味な事例に対して例外的な忠実さを示す強化された潜伏指紋を生成する。
筆者らのフレームワークは, 微小な位置と配向場を統合し, 局所的および構造的指紋の特徴の保存を確実にする。
論文 参考訳（メタデータ） (2024-09-18T08:35:31Z) - DA-HFNet: Progressive Fine-Grained Forgery Image Detection and Localization Based on Dual Attention [12.36906630199689]
DA-HFNet鍛造画像データセットをテキストまたは画像支援GANおよび拡散モデルで作成する。
我々のゴールは、階層的なプログレッシブネットワークを使用して、異なるスケールの偽造物を検出およびローカライゼーションするために捕獲することである。
論文 参考訳（メタデータ） (2024-06-03T16:13:33Z) - CrossDF: Improving Cross-Domain Deepfake Detection with Deep Information Decomposition [53.860796916196634]
クロスデータセットディープフェイク検出(CrossDF)の性能を高めるためのディープ情報分解(DID)フレームワークを提案する。
既存のディープフェイク検出方法とは異なり、我々のフレームワークは特定の視覚的アーティファクトよりも高いレベルのセマンティック特徴を優先する。
顔の特徴をディープフェイク関連情報と無関係情報に適応的に分解し、本質的なディープフェイク関連情報のみを用いてリアルタイム・フェイク識別を行う。
論文 参考訳（メタデータ） (2023-09-30T12:30:25Z) - Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。
既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。
本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2023-07-31T10:22:33Z) - Attention Consistency Refined Masked Frequency Forgery Representation
for Generalizing Face Forgery Detection [96.539862328788]
既存の偽造検出方法は、未確認領域の真正性を決定する不満足な一般化能力に悩まされている。
ACMF(Attention Consistency Refined masked frequency forgery representation model)を提案する。
いくつかのパブリックフェイスフォージェリーデータセットの実験結果から,提案手法の性能は最先端の手法と比較して優れていることが示された。
論文 参考訳（メタデータ） (2023-07-21T08:58:49Z) - 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) - A Uniform Representation Learning Method for OCT-based Fingerprint
Presentation Attack Detection and Reconstruction [8.764696645299603]
深度情報に基づく提示検出(PAD)と地下指紋再構成を2つの独立分枝として扱う。
本稿では,OCTを用いた指紋認識と地下指紋再構成のための一様表現モデルを提案する。
論文 参考訳（メタデータ） (2022-09-25T12:31:40Z) - Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth
Uncertainty Learning [54.15303628138665]
フェース・アンチ・スプーフィング(FAS)は、顔認識システムが提示攻撃を防ぐ上で重要な役割を担っている。
既存のフェース・アンチ・スプーフィング・データセットは、アイデンティティと重要なばらつきが不十分なため、多様性を欠いている。
我々は「生成によるアンチ・スプーフィング」によりこの問題に対処するデュアル・スポット・ディアンタングメント・ジェネレーション・フレームワークを提案する。
論文 参考訳（メタデータ） (2021-12-01T15:36:59Z)
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。