Sep, 2020

超越身份：生物识别人脸模板中存储了哪些信息？

PDF
TL;DR本文利用深度学习方法对人脸识别中的模板进行分析，探究其中包含的 113 个属性。结果显示，最多可预测 74 个属性，尤其是年龄、发型、发色、胡须和不同配件等不稳定属性容易被预测。这项工作有助于开发更加隐私保护、公平的人脸模板。
发现论文，激发创造
  • 超越人口统计偏见的人脸识别偏差全面研究

    分析了面部属性对人脸识别系统的影响，探讨了人口统计学以外的因素如饰品、发型、脸型等在身份验证性能方面的影响，提出了进一步增强人脸识别系统鲁棒性、可解释性和公平性的需求。

    Mar, 2021

  • 利用深度学习预测第一印象

    本文介绍了一种基于卷积神经网络的回归框架，可用于训练社交属性分配的预测模型，该模型可以对人群的行为进行量化，应用于描述人脸的视觉属性和情感计算领域。

    Oct, 2016

  • 嵌入非失真可取消人脸模板生成

    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

  • 利用概率隐私保护逆向深度人脸嵌入

    通过评估非可逆性要求的满足程度以及面部嵌入提取器的漏洞评估，本文研究了声称提供软生物特征隐私保护的方法以及隐私保护中使用的转换复杂性，实验结果表明，受保护的面部嵌入可以在达到约 98% 的精度时重构。

    Oct, 2023

  • 利用全同态加密增强面部分析的隐私

    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

  • 探究在人脸识别训练数据中包含信息对个体人脸识别的影响

    本文通过对亿万级别的图片进行大规模的人脸识别实验，发现使用深度学习进行的人脸识别系统对于训练数据中的个体识别的准确率要高于其他个体，而目前的大规模人脸识别数据集的个人隐私意识缺失，对隐私造成了严重影响。

    Jan, 2020

  • 基于掩码模板的隐私保护

    该论文提出了保护个人隐私的重要性，并探讨了通过防止非授权识别算法获取原始图像的实际特征，从而保护人体基 ometrics 的图象隐私的方法。

    Feb, 2022

  • 基于频繁二进制模式的隐私保护多生物特征索引

    提出了一种高效的隐私保护多生物特征识别系统，通过利用来自不同类型生物特征的频繁二进制模式中包含的低类内变异属性，设计了一种多生物特征分箱方案，实验结果表明，该多生物特征识别系统可以将计算工作量降低约 57%（索引最多三种生物特征类型）和 53%（索引最多两种生物特征类型），同时提高了基准生物特征系统在高安全阈值下的生物特征性能。

    Oct, 2023

  • 隐私保护的群组成员验证和识别

    通过嵌入和聚合机制，该文提出一种学习方法来保护组成员隐私和安全，并在人脸识别实验中展示了该方法带来的安全和隐私性能和鉴定 / 辨认性能的卓越平衡。

    Apr, 2019

  • 使用全同态加密的安全人脸匹配

    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