Oct, 2023

无接触指纹生物识别系统的通用反欺骗方法

PDF
TL;DR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。
fingerphotoscontactless authenticationpresentation attack detectionsynthetic contactless fingerprintsanti-spoofing
发现论文，激发创造
  • 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

  • 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

  • 基于生成对抗网络的开放式纹理生成器指纹呈现攻击检测

    该论文提出了一种基于卷积神经网络和生成对抗网络的指纹图像防攻击方法，通过生成与现有攻击样本不同的真实样本来增加数据集，有效提高了指纹图像防攻击的准确性。

    Jun, 2023

  • 基于半监督学习的人脸反欺诈通用方法

    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

  • 基于深度学习的非接触式指纹分割和提取方法

    开发基于深度学习的非接触式指纹定位与分割工具，其平均绝对误差为 30 像素、角度预测误差为 5.92 度、标签准确率为 97.46%。

    Nov, 2023

  • 基于内在图像属性和深度学习的防止面部欺诈的检测器

    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

  • 全局 - 局部模型使用的指纹展示攻击检测器

    该研究提出了一种名为 RTK-PAD 的全局 - 局部模型的假证据检测方法，通过采用全局模块和局部模块之间的重新思考模块连接，结合了全局和局部的假证据得分，以实现假证据检测，并在 LivDet 2017 上进行的实验结果表明 RTK-PAD 表现显著，在 TDR（真实检测率）方面比现有方法高 10%（91.19% 对 80.74%）。

    Feb, 2024

  • 基于卷积神经网络和局部二值模式的演示攻击检测

    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

  • 基于深度学习的指纹呈现攻击检测：综述

    通过分类总结深度学习 Fingerprint Presentation Attack Detection（FPAD）的方法，主要集中于近年来的 deep-learning FPAD 技术，涉及指纹认证、攻击检测、接触式和智能手机模式等主题。

    May, 2023