本研究提出了一种基于多通道卷积神经网络的面部攻击检测方法,以解决面部生物识别在非监督应用中易受攻击的问题,并引入了新的宽多通道演示攻击数据库用于面部演示攻击研究。研究结果表明该方法优于现有特征提取方法,能够在 WMCA 数据库上实现 0.3% 的 ACER 性能,并已开放该数据库和相关软件供公共使用。
Sep, 2019
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
本文使用卷积神经网络(CNN)中的局部特征来提高面部欺骗检测的性能,并且在整个面部图像上进行预训练,使 CNN 可以学习不同的本地欺骗线索,从而改进了性能并提高了最终模型的收敛速度。
Jun, 2018
面部和虹膜的演示攻击检测的三种软件方法比较:使用 Inception-v3 的深度卷积神经网络(CNN),基于改进的 Spoofnet 架构的浅层 CNN,以及使用局部二值模式(LBP)的基于纹理的方法。
Nov, 2023
我们提出了一种创新的反欺骗方法,将无监督自编码器与卷积块注意模块相结合,以解决现有方法的局限性,并具有有效推广性。我们的模型仅在真实图像上进行训练,未接触任何伪造样本,在测试阶段用于评估各种类型的展示攻击图像。我们的方案在涉及各种类型伪造样本的展示攻击中,实现了平均 BPCER 为 0.96%,APCER 为 1.6%。
本研究采用深度卷积神经网络(CNN)学习特征,在经过数据预处理后,能够大幅提高面部防欺诈性能,使得在 CASIA 和 REPLAY-ATTACK 数据集中相对错误率降低超过 70%,同时在两个数据集之间的交叉测试中,实验结果表明 CNN 能够获得更好的泛化能力,使用两个数据集的组合数据训练的网络在两个数据集之间具有更少的偏差。
Aug, 2014
本文提出了一种新颖的基于深度度量学习技术的面部异常检测架构,通过引入新的损失函数 “度量 softmax”,引导学习过程中的特征向更加具有区分性的表示;同时,通过 few-shot 方法进行后验概率估计,无需训练分类器即可验证结果;实验结果表明,该方法在面部 Presentation Attack Detection 领域取得了显著的性能优势。
Apr, 2019
本文首次系统综述了基于深度学习的人脸反欺诈技术,从像素级监督、领域泛化和多模式传感器等多个角度出发,阐述了该领域的最新成果与潜在前景。
Jun, 2021
本文提出了一种基于多通道卷积神经网络的一类分类器方法,其中引入了一种新的损失函数,通过一类高斯混合模型实现面部认证攻击检测,该方法的实验结果表明具有较高的泛化能力。
Jul, 2020
自动指纹识别系统面临虚假攻击的威胁,本文提出了一种动态集成的深度学习和手工特征方法来检测已知材料和未知材料协议中的虚假攻击,该模型利用了分类技术的能力并在基准协议中表现出更好的性能。
Aug, 2023