语音转换:一声音中的两个身份
本研究提供了一个包含 4 种不同类型的变形攻击的新数据集,并通过基于 OpenCV、FaceMorpher、WebMorph 和生成对抗网络(StyleGAN)的变形攻击实验,评估了现有人脸识别系统的风险程度,其中发现 VGG-Face 虽然与 FaceNet 相比精度较低,但更加抗变形攻击。此外,本文指出了使用 StyleGAN 生成的低级变形攻击对人脸识别系统不构成重大威胁。
Dec, 2020
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
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。
May, 2023
本文研究了跨模态匹配,通过使用静态图像的人脸识别和声纹识别作为训练和测试数据集,使用 CNN 架构进行了二进制和多元交叉模态人脸和音频匹配,并比较了动态和静态测试,得出了 CNN 在此任务上表现优秀并超越了人类表现。
Apr, 2018
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
这篇研究论文提出了一种新方法,使用名为 TetraLoss 的损失函数,通过在嵌入空间中学习将合成的面部图像与其贡献者分开,从而提高基于深度学习的人脸识别系统对面部变形攻击的鲁棒性,并在全面评估中表现出明显优于其他基准方法。
Jan, 2024
通过在信号水平上选择关键策略,提出一种竞争式可取消方案的安全改进,以防止对人脸识别系统的敌对攻击。实验结果表明,基于最安全阈值的某些策略可以完全阻止迭代优化的敌对攻击,而对于最实用的阈值,攻击成功率可降低到约 5.0%。
Oct, 2023