基于神经网络的图像认证
本文通过基于卷积神经网络的 Inception 和 ResNet 模型在 MSU Mobile Face Spoofing 数据库上的表现,研究了如何应用这些深度学习算法实现面部反欺骗的生物特征访问控制。
May, 2018
本文介绍一种通过水印技术保护用户数据(图像)在神经网络训练中的未经授权使用的方法,重点阐述了在深度学习环境中,如何通过专业线性颜色变换,将水印印记到神经网络分类器中,以便第三方仲裁者可以验证用户数据是否被未经授权地使用,进而保护用户数据的所有权。
Sep, 2021
生物识别技术在数字身份识别中发挥着重要作用,然而当前的技术仍存在一定的安全性和精确性问题。本文调查了基于神经网络的各种生物识别技术,强调了对提高精确性和可靠性的不断追求,得出了神经网络与生物特征结合不仅可以提高准确性,还有助于整体安全性的结论。
Feb, 2024
本研究关注深度神经网络的水印方案的稳健性和可靠性,发现恶意对手即使在水印难以删除的情况下,仍然可以逃避合法所有者的验证,从而避免了模型被盗的可能性。
Sep, 2018
本文探讨神经网络在多智能体系统中,如何通过敌对训练实现加密解密操作,从而保障通信内容的机密性。研究表明神经网络能够学习如何选择性地运用加密和解密操作以实现保密的目标。
Oct, 2016
本论文提出了一种基于深度神经网络和元学习分类器相结合的方法,该方法利用图像固有属性探测面部 “假冒攻击”,在 PAD 领域最具挑战性的跨数据集协议上取得了超越最新成果的显著结果。
Feb, 2019
AttackNet 是一种巧妙设计的卷积神经网络架构,采用深度学习方法应对生物特征系统中的欺骗威胁,通过低级特征提取到高级模式识别无缝过渡的分层防御机制,具有优越的性能指标,并与当代模型进行了详细的比较分析,突出了深度学习在生物特征安全领域的潜力。
Feb, 2024
开发生物识别身份验证系统时,隐私和安全是一个重要问题。本文介绍了一种创新的图像扭曲技术,通过神经网络模型使人脸图像在肉眼无法识别的情况下保持其可识别性,既解决了人工智能和工程领域中的相关挑战,又在生物识别身份验证系统中实现了安全、精确性和性能的平衡。
Jan, 2024