基于零样本深度哈希和神经网络的人脸模板保护纠错
本文提出了一种深度学习结构的监督哈希方法,其中图像通过经过精心设计的卷积神经网络映射为二进制代码,通过三个构建模块的流水线过程(卷积子网络,划分编码模块和三元组排序损失),实现最近邻搜索的高效率和精确度。
Apr, 2015
我们提出了一种新颖的技术,结合了全同态加密(FHE)和现有的模板保护方案 PolyProtect,通过多项式变换将嵌入式压缩加密,进一步保护密集的 PolyProtect 模板,确保面部嵌入的不可逆性和不可关联性,有效地防止了从面部嵌入中泄露软生物识别属性而不损害识别准确性。
Apr, 2024
该研究提出了一种基于一次学习的人脸复现系统,通过将目标人脸外观和源脸形状投影到潜在空间中,并学习一个共享解码器来使这两个潜在空间相关联,从而实现有效建模。该方法在 Mustache 和 Hair 区域照片合成的质量上比传统方法有很大提高,并且仅用一张目标图像训练便能实现与多张目标图像训练同样令人满意的结果.
Aug, 2019
使用创新的图像扭曲技术,我们介绍一种能使面部图像对肉眼不可识别但仍可由自定义嵌入神经网络模型识别的生物特征认证系统,通过在 MNIST 和 LFW 数据集上的实验评估其有效性,并基于传统比较指标进行比较。
Feb, 2024
本文提出了一种卷积神经网络的框架,用于检测面部识别中的展示攻击,该框架使用像素级监督的深度学习技术,可以使用帧级别信息进行部署,适用于在智能设备中的部署,该方法在公共数据集上验证有效性,并在多项实验中超过当前最先进的方法。
Jul, 2019
本文研究了基于完全同态加密框架来保护面部模板数据库的隐私,并探索了一个批量处理和降维计算方案来权衡面部匹配准确性和计算复杂性,实验结果表明,安全面部匹配在维护匹配性能的同时,也已经可以得到实用。
May, 2018
本文提出了一种名为无样本哈希(ZSH)的新型哈希方案,可以将 “看不见” 类别的图像压缩成二进制码,并从 “可见” 类别的有限训练数据中学习哈希函数。通过将独立的数据标签投影到语义嵌入空间中,可以精确表征所有标签的语义关系,并且可以将可见有监督知识转移给不可见类别。同时,通过旋转嵌入空间来更适当地对齐嵌入语义和低级视觉特征空间,缓解语义差的影响。此外,我们进一步提出保留二进制码中的局部结构属性和离散性质的方法,并开发了一种有效的交替算法来解决 ZSH 模型。在各种真实数据集上进行的大量实验表明,与几种最先进的哈希方法相比,ZSH 具有卓越的零样本图像检索性能。
Jun, 2016
本文提出了一种深度异构特征融合网络,用于增强不同深度卷积神经网络生成的特征之间的关联性,以实现基于模板的人脸识别任务,并在 IARPA Janus Challenge Set 3 (Janus CS3) 数据集上证明了本方法的有效性。
Feb, 2017
本文介绍了一种新的基于 Deep Tree Network 方法的零样本人脸反欺诈技术,它可以防止包括打印和重播攻击在内的 13 种欺诈攻击被成功地检测,并且介绍了第一个包含多种欺诈攻击类型的人脸反欺诈数据库。实验结果表明,所提出的方法在多次测试协议的零样本人脸反欺诈技术上达到了最先进的水平。
Apr, 2019
提出了一种通过在原始模板中隐藏子模板并使用足够多的冗余点来保护生物特征模板信息的混淆方法,并使用生成对抗网络(GAN)生成的合成面部图像作为安全保险库授权系统中的随机冗余点,该方法在测试中表现良好且不会对准确性产生不利影响。
Apr, 2024