論文の概要: Facial Age Estimation for Age Fraud Detection in National ID Systems
- arxiv url: http://arxiv.org/abs/2609.05638v1
- Date: Fri, 04 Sep 2026 18:16:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 13:03:55.086458
- Title: Facial Age Estimation for Age Fraud Detection in National ID Systems
- Title（参考訳）: 国定IDシステムにおける年齢差検出のための顔年齢推定
- Abstract要約: 生体認証の登録と更新の際のアイデンティティ詐欺は、大規模な国家認証システムにとって大きな課題である。
本稿では,Aadhaarのバイオメトリック学習パイプライン内での利用を目的とした顔年齢推定システムであるSwinAgeを紹介する。
SwinAgeは2.94年の平均絶対誤差(MAE)を同じテストセットで達成し、全てのベンチマークで3つのゼロショットビジョン言語モデルを上回っている。
- 参考スコア（独自算出の注目度）: 8.994750191063895
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identity fraud during biometric enrollment and updates remains a major challenge for large-scale national identity systems. A common fraud vector is misrepresenting one's age to access age-restricted services or welfare schemes. In this work, we present SwinAge, a facial age estimation system designed for use within the Aadhaar biometric enrollment pipeline, to assist quality-check (QC) operators to flag potential age-related fraud. This is critical for a system like Aadhaar (the world's largest national identity programme), that holds about 1.5 billion unique identities, with 22.4 million new enrollments and 283 million updates in the last year. Building upon the SwinFace architecture with landmark-based similarity (warp affine) alignment, we train on a large in-house dataset of 1.45 million face images and evaluate on an independent, age-stratified test set of 283K images, both drawn from an ethnically diverse population of 716K unique subjects. We investigate three Aadhaar-specific operational thresholds (5, 18, and 60 years) and propose a deployment triage framework that flags suspected cases for manual review. Following NIST FATE, we report false acceptance/rejection rates (FAR/FRR) at each threshold rather than aggregate accuracy: at 1% FAR the model achieves an FRR of 3% (<5yrs), 0.4% (>18yrs) and 11.0% (>60yrs). SwinAge achieves a mean absolute error (MAE) of 2.94 years on the same test set, outperforming three zero-shot vision language models on all benchmarks, and improving the state-of-the-art on 5 out of 7 public benchmark datasets. We further report per-gender errors and distill lessons for national identity programs.
- Abstract（参考訳）: 生体認証の登録と更新の際のアイデンティティ詐欺は、大規模な国家認証システムにとって大きな課題である。
一般的な詐欺ベクトルは、年齢を間違えて年齢制限のサービスや福祉制度にアクセスすることである。
本研究では,Aadhaar生体認証パイプライン内での使用を目的とした顔年齢推定システムであるSwinAgeについて述べる。
これは、Aadhaar(世界最大規模の国家アイデンティティプログラム)のようなシステムにとって重要であり、昨年は15億のユニークなアイデンティティを持ち、2240万の新規登録と2億2300万の更新があった。
ランドマークに基づく類似性(ワープアフィン)のアライメントを備えたSwinFaceアーキテクチャをベースとして,145万枚の顔画像からなる大規模な社内データセットをトレーニングし,独立した283K画像の年齢階層化テストセットで評価する。
我々は,Aadhaar固有の3つの運用しきい値(5年,18年,60年)を調査し,手動レビューの疑わしい事例を通知するデプロイメントトリアージフレームワークを提案する。
NIST FATE に続いて,FAR の精度は 1% FAR では 3% (<5yrs), 0.4% (>18yrs) および 11.0% (>60yrs) となる。
SwinAgeは2.94年の平均絶対誤差(MAE)を同じテストセットで達成し、すべてのベンチマークで3つのゼロショットビジョン言語モデルを上回っ、7つの公開ベンチマークデータセットのうち5つで最先端の改善を実現している。
また, 性別ごとの誤りを報告し, 国民同一性プログラムの蒸留指導を行った。
関連論文リスト
- WithEveryone: Unified Planning and Identity Grounding for Group Image Generation [60.528070962852716]
グループイメージを最大10個の参照IDまで生成する統合フレームワークであるWithEveryoneを紹介した。
WithEveryoneは、それぞれの選択したIDをアドレストークンとして注入し、構造化されたID計画を予測する。
GPT-Image-2では0.462から0.499に改善され、コピー・ペースト・アーティファクトは0.169から0.055に削減された。
論文 参考訳（メタデータ） (2026-08-20T17:59:53Z) - NearID: Identity Representation Learning via Near-identity Distractors [116.71529576796605]
既存のビジョンエンコーダは、オブジェクトのアイデンティティを背景コンテキストと絡み合わせることで、信頼性の低い表現やメトリクスを生み出します。
我々は、この脆弱性に対処するための最初の原則付きフレームワークをNear-identity distractorsを使って紹介する。
我々は、厳密なマージンベースの評価プロトコルとともに、NearIDデータセット(19KのID、316Kの一致したコンテキストインタプリタ)を提示する。
論文 参考訳（メタデータ） (2026-04-02T12:33:14Z) - Can a Teenager Fool an AI? Evaluating Low-Cost Cosmetic Attacks on Age Estimation Systems [5.0710101224393735]
年齢推定システムは、年齢制限のあるオンラインコンテンツのためのゲートキーパーとしてますます展開されている。
ヒゲを含むシンプルで家庭で利用できる化粧品の変化は、AI年齢推定者が未成年者を成人に分類する原因となるかどうかを考察する。
VLM画像エディターを用いて10歳から21歳までの人物の329枚の顔画像に対する身体的攻撃をシミュレートした。
論文 参考訳（メタデータ） (2026-02-23T06:13:52Z) - Human Identification at a Distance: Challenges, Methods and Results on the Competition HID 2025 [70.29305328364755]
距離における人間の識別に関する国際コンペティション(HID)は、2020年から毎年開催されている。
最高の性能の手法は94.2%の精度に達し、このデータセットに新しいベンチマークが設定された。
我々は重要な技術動向を分析し、将来の歩行認識研究の可能性について概説する。
論文 参考訳（メタデータ） (2026-02-07T14:22:17Z) - Evaluating Deep Learning-Based Face Recognition for Infants and Toddlers: Impact of Age Across Developmental Stages [0.688204255655161]
幼児と幼児の顔認識は、迅速な顔形態変化、クラス間の類似度の高さ、データセットの可用性の制限など、ユニークな課題を呈している。
本研究は,0～3歳児を対象とする7つのセッションにおいて,24カ月間にわたって収集した,深層学習に基づく顔認識モデルFaceNet,ArcFace,MagFace,CosFaceの性能評価を行った。
論文 参考訳（メタデータ） (2026-01-04T22:30:28Z) - Underage Detection through a Multi-Task and MultiAge Approach for Screening Minors in Unconstrained Imagery [6.903111965769448]
凍結したFaRLビジョンバックボーンをベースとしたマルチタスクアーキテクチャを提案する。
視力の低下と年齢差を伴って, 全体の清潔化を訓練した。
F2スコアが0.801から0.857から1%の偽エラー率で18以下で検出された。
アンダー-12タスクとアンダー-15タスクでは、F2の各ブースターは0.666から0.955、それぞれ0.689から0.916である。
論文 参考訳（メタデータ） (2025-06-12T13:36:27Z) - Person Recognition at Altitude and Range: Fusion of Face, Body Shape and Gait [70.00430652562012]
FarSightは、顔認識のためのエンドツーエンドシステムで、顔、歩行、体形を横断する生体計測の手がかりを統合する。
FarSightは、4つのコアモジュールにまたがる新しいアルゴリズムを組み込んでいる。
論文 参考訳（メタデータ） (2025-05-07T17:58:25Z) - Whole-body Detection, Recognition and Identification at Altitude and
Range [57.445372305202405]
多様なデータセットに基づいて評価したエンドツーエンドシステムを提案する。
我々のアプローチでは、一般的な画像データセットで検出器を事前トレーニングし、BRIARの複雑なビデオや画像でそれを微調整する。
屋内・屋外・航空シナリオにおける様々な範囲や角度の異なる条件下で徹底的な評価を行う。
論文 参考訳（メタデータ） (2023-11-09T20:20:23Z) - Noise-Tolerance GPU-based Age Estimation Using ResNet-50 [0.0]
UTKFaceデータセットにディープ残差ニューラルネットワークを実装した。
入力データに15dBのノイズを注入した場合,実装ネットワークの性能は1.5%以下であることを示す。
論文 参考訳（メタデータ） (2023-04-26T16:38:41Z) - Investigating the Impact of Inclusion in Face Recognition Training Data
on Individual Face Identification [93.5538147928669]
最新のオープンソースの顔認識システムであるArcFaceを、100万枚以上の散らばった画像を用いた大規模な顔識別実験で監査する。
モデルのトレーニングデータには79.71%、存在しない人には75.73%のランク1顔認証精度がある。
論文 参考訳（メタデータ） (2020-01-09T15:50:28Z)
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。