Apr, 2023

一种高效的集成可解释人工智能（XAI）方法用于人脸混合检测

PDF
TL;DR本研究提出了一种名为 Ensemble XAI 的新型可视化解释方法，它整合了显著性地图、类激活映射和渐变 - 类激活映射，以提供更全面的可视化解释，用于预测输入是否为伪造的仿制品的深度学习预测模型。通过实验评估，该解释方法可以准确地说明深度学习模型的决策过程。
biometric authenticationface morphing attack detectiondeep learning modelsblack boxensemble xai
发现论文，激发创造
  • 基于 XAI 的对抗攻击检测深伪检测器

    使用 XAI 作为一种新方法，通过生成可解释性地图来识别对深度伪造检测器的对抗攻击，进而开发出一种具有防御性的深度伪造检测器。

    Mar, 2024

  • 一种紧凑型深度学习模型用于人脸欺骗检测

    本文采用宽与深特征融合的神经网络结构来解决假攻击检测问题，并在多个数据集上进行了实验验证。

    Jan, 2021

  • 利用去噪扩散概率模型检测面部混合攻击

    本文介绍了一种基于扩散的新型高效 MAD 方法，学习纯粹的真实图像的特征，实现对不同形态的变形攻击的检测。在四个不同数据集上进行了严格的实验，并与现有解决方案进行了比较，结果表明我们的 MAD 模型在所有数据集上都取得了高竞争力的结果。

    Jun, 2023

  • 使用深度共享网络进行不同化脸部检测

    本文提出了一种新的差分变形攻击检测框架，使用深度 Siamese 网络，通过比较我们的模型与其他经典和深度学习模型，使用两个不同的变形数据集，VISAPP17 和 MorGAN，我们探索了由对比损失生成的嵌入空间，并使用欧几里得距离、特征差和支持向量机分类器、特征级联和支持向量机分类器三个决策框架。

    Dec, 2020

  • 单次变形攻击检测中的面部特征可视化

    本文提出了一种可解释的面部特征提取算法，能够检测真实和变形图像，用于单一变形攻击检测。该方法基于原始图像、形状、纹理、频率和压缩。利用此方法可以开发一个图形用户界面来协助边境警卫人员调查涉嫌的图像。在三种基于地标点的人脸变形方法和基于 StyleGAN 的变形方法上进行随机森林分类器的训练，其中 FRLL 数据库提供了变形图像。用于变形攻击检测，离散余弦变换方法在合成图像上获得了最佳结果，基于地标点的图像特征使用 BSIF 进行检测。

    Apr, 2023

  • 合成图像对基于孪生网络的形变攻击检测的影响

    研究评估了使用具有半硬损失函数的暹罗网络在形态攻击检测（MAD）中，合成图像对其影响。通过跨数据集评估来测量合成图像的泛化能力。使用传统的 MobileNetV2、MobileNetV3 和 EfficientNetB0 预训练网络作为特征提取器。我们的结果表明，在 FERET、FRGCv2 和 FRLL 数据库上， EfficientNetB0 训练的 MAD 具有比 SOTA 更低的错误率。相反，当系统仅使用合成图像进行训练时，性能较差。混合方法（合成 + 数字）数据库可以帮助改进 MAD 并降低错误率。这表明我们仍需要在训练过程中继续努力包含合成图像。

    Mar, 2024

  • 应对差异变形攻击检测中的主体相似性

    该研究论文针对模拟攻击问题，提出了 ACIdA 模块化差分 MAD 系统，实现了较好的性能和成果，超过了现有文献中的竞争对手，并在传统差分 MAD 基准测试中保持良好的性能。

    Apr, 2024

  • 深度人脸表示用于差分变形攻击检测

    本篇论文讨论了利用真实的人脸图像数据库训练和测试差分变形攻击检测算法的可行性。在进行多个不同后处理之后，使用不同的工具创建了人脸融合图像。通过实验表明，基于深度学习的差分变形攻击检测算法在各种后处理情形下可以实现非常高的检测性能和鲁棒性。

    Jan, 2020

  • 卷积神经网络架构在人脸混合造假展示攻击中的通用性

    开发鲁棒性的机器学习系统是防止犯罪分子使用假身份证件越过边境的必要手段，本研究则调查了卷积神经网络架构对变形攻击的泛化能力，结果发现 InceptionResNet-v2 在对未知数据的泛化效果上优于其他四个 CNN 模型。

    Oct, 2023

  • 深度伪造检测模型的可解释人工智能评估的对抗攻击方法

    通过实验证明通用的插入 / 删除解释型人工智能（XAI）评估方法并不适用于深伪造检测模型，并提出并实现了一种专门适用于深伪造检测模型的 XAI 评估方法。

    Dec, 2023