基于活体得分的人脸反欺诈回归神经网络
本文提出了一种新型的人脸反欺诈方法,旨在通过解缠活体特征和内容特征从图像中提取最终进行分类的活体特征,并采用卷积神经网络和低层级和高层级监控的结合来提高其泛化能力,并在公共基准数据集上进行了充分的实验结果验证。
Aug, 2020
本文提出了一种利用无监督预训练改进性能的方法,介绍了 Entry Antispoofing 数据集来进行监督微调,并提出了一种多类别辅助分类层,以增强检测欺骗企图的二进制分类任务,实现了在多个数据集上的最新结果。
Jun, 2022
本研究介绍了一种通过 CNN-RNN 模型学习面部深度和估计 rPPG 信号来识别真实人脸和虚假人脸的新型面部反欺诈方法,并提出了一种新的面部反欺诈数据库,数据集包含大范围的变化。实验结果表明,该模型在数据库内和跨数据库测试上均达到了最先进水平。
Mar, 2018
本文提出了一种基于条件分类器领域鉴别器的活体检测方法,该方法结合了梯度反转层,以产生具有鉴别性而又对环境光照、分辨率等因素具有鲁棒性的真人和虚假特征,该方法在图像和视频方面均优于现有的反欺诈技术。
Dec, 2019
本研究利用 Vision Transformer (ViT) 架构并结合 DINO 框架,对面部反欺诈任务进行了 Fine-tuning,与传统的 CNN 模型 EfficientNet b2 进行了性能比较。研究结果显示,ViT 模型在准确性和对不同欺诈方法的抵抗性方面优于 CNN 模型,进一步推动了生物识别安全领域的重要进展。
Jun, 2024
本研究提出了一种基于异常检测的面部活体检测框架,通过学习区分真人和虚假攻击的差异性信息(称作欺骗线索),来提高模型的鲁棒性和泛化性能,实验结果表明该方法优于现有技术。
May, 2020
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
本研究提出一种面部反欺诈方法,通过图像处理和 CNN 架构对虚假面部噪声进行建模,可以通过反向分解虚假面部得到虚假噪声和真实面部,以增强分类的准确性并可视化虚假噪声。
Jul, 2018
我们提出了一种用于人脸反欺诈的细粒度注释方法,并引入多通道区域交换增强以改善现有方法在数据多样性和过拟合方面存在的问题。实验证明,我们的方法在数据集内和数据集间评估中均优于现有的最先进方法。
Oct, 2023