May, 2023

ViT 统一：联合指纹识别和呈现攻击检测

PDF
TL;DR本研究提出使用 Vision Transformer（ViT）模型的统一系统架构，实现虚假检测和匹配，并取得了与最先进（SOTA）的顺序系统相当的 98.87% 的平均集成匹配（IM）准确率，但参数只有后者的约 50％，延迟只有后者的约 58％。该方法适用于安全指纹识别等场景。
secure fingerprint recognition systemspoof detectionvit modelsunified system architecturelivdet 2013 and 2015 crossmatch sensors
发现论文，激发创造
  • 统一的实体与数字脸部攻击检测

    该研究论文提出了一个基于视觉语言模型的统一攻击检测框架 (UniAttackDetection)，包括三个主要模块：教师 - 学生提示 (TSP) 模块、统一知识挖掘 (UKM) 模块和样本级提示交互 (SLPI) 模块，这些模块共同构成了一个强大的统一人脸攻击检测框架。通过对 UniAttackData 和其他三个数据集的广泛实验，证明了该方法在统一人脸攻击检测方面的优越性。

    Jan, 2024

  • 计算机视觉中的活体检测：基于 Transformer 的自监督学习用于人脸反欺骗

    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

  • 无接触指纹生物识别系统的通用反欺骗方法

    我们提出了一种用于无接触指纹的通用表现攻击检测方法，该方法使用了合成的无接触指纹进行模型训练，并结合了 Arcface 和 Center loss 进行联合损失函数的设计，最终取得了 0.12% 的正常认证错误率、0.63% 的攻击展示分类错误率和 0.37% 的平均分类错误率。

    Oct, 2023

  • 接触式指纹攻击检测的深度特征：能否被推广？

    本文研究了七种预训练 CNN 和一个 Vision Transformer 模型对于探测虚假指纹的泛化能力，并通过四个不同的仿冒手段和深度特征技术的性能评估结果表明，ResNet50 CNN 具有最好的泛化性能。

    Jul, 2023

  • 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

  • FM-ViT：面部反欺诈的灵活模态视觉变压器

    本文提出了一种基于 Transformer 的框架，名为 Flexible Modal Vision Transformer (FM-ViT)，用于面部防欺骗，以灵活地针对任何单模态攻击情景和可用的多模态数据。实验结果表明，单个基于 FM-ViT 的模型不仅可以灵活评估不同的模态样本，而且在较小的 FLOPs 和模型参数的情况下，也可以超越现有的单模态框架，并与多模态框架的性能相当。

    May, 2023

  • IFViT: 基于 Vision Transformer 的指纹匹配解释性定长表示

    通过视觉转换器构建的可解释指纹匹配网络 IFViT，利用密集特征点在像素级别上进行准确匹配和构造固定长度表示，提供了具有解释性的像素级特征点对应，并在深度固定长度表示的指纹匹配中显著促进了可解释性。

    Apr, 2024

  • 免接触指纹生物特征反欺骗：一种无监督深度学习方法

    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％。

    Nov, 2023

  • DyFFPAD：融合卷积和手工特征的动态指纹展示攻击检测

    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

  • 自适应 Transformers 用于稳健的少样本跨域人脸防伪

    本文提出一种自适应视觉变换器 (ViT) 方法，利用集成适配器模块和特征转换层适应不同域的数据，从而实现跨域活体检测，并在多个基准数据集上取得了与现有方法相媲美的性能.

    Mar, 2022