Oct, 2023

MENTOR: 人类感知引导下的虹膜呈现检测预训练

HTML
PDF
TL;DR通过人类显著性的加入，CNN的训练在诸如生物特征提取攻击检测等困难任务中取得了提升。在本文中，我们介绍了MENTOR（基于人类感知引导的虹膜展示攻击检测的预训练），通过两轮独特的训练解决了数据收集以及如何高效地将这些信息合并到模型的训练中的问题。通过学习人类显著性地图，我们展示了MENTOR的三个优点：（a）与通用权重（例如ImageNet来源或随机权重）相比，使用训练于人类感知的编码器权重显著提高了虹膜展示攻击检测的性能；（b）能够为未知虹膜展示攻击样本生成无限数量的人类样式显著性地图，以供任何人类感知引导训练范式使用；（c）提高了虹膜攻击检测模型训练的效率。本文提供源代码和权重。
发现论文，激发创造
  • 利用DCGAN和深度CNN缓解演示攻击

    本研究旨在使用深度学习技术，通过DĆGAN技术生成逼真的合成图像，以识别并防止生物特征认证中的攻击，我们在三种不同的生物特征数据集上使用我们的深度CNN模型，测试准确率最高达97％。

    Jun, 2022

  • 深度学习用于虹膜识别的调查

    本篇综述对过去10年中涉及深度学习技术用于虹膜识别的研究进行了全面的回顾，包括算法设计、开放式工具、挑战以及新兴研究方向。主要关注虹膜生物识别中的分割、识别、鲁棒性、后验、开放源代码资源和技术挑战。

    Oct, 2022

  • 虹膜呈现攻击检测的单域动态泛化

    本文提出了一种单一域动态泛化框架，它能够在每个样本基础上同时利用领域不变特征和领域特定特征，并通过信息最大化损失和元学习的模式使网络能够泛化到各种未知领域中，在LivDet-Iris 2017数据集上取得了最佳效果。

    May, 2023

  • 教 AI 教学：将有限的人类关注数据转化为基于注意力无限制的训练

    利用“teacher-student”训练范式可以补充有限数量的人类提供的注释，使得在构建大型数据集时可以生成任意数量的模型生成的图像注释，并且在四种模型架构和两种显著性估计方法中均表现出优异的性能。

    Jun, 2023

  • 虹膜活体检测竞赛(LivDet-Iris) -- 2023年版

    2023年的''LivDet''系列虹膜展示攻击检测（PAD）竞赛的结果。新的元素包括生成对抗网络（GAN）产生的虹膜图像作为展示攻击工具的一类，以及评估人类检测展示攻击工具的准确性作为参考基准。结果分析了不同类型的展示攻击工具的准确性，并与人类准确性进行了比较。总体而言，Fraunhofer IGD算法表现出最佳的加权准确性结果（平均分类错误率为37.31%），而北京土木工程与建筑大学的算法在每个展示攻击工具给予相等权重时获胜（平均分类率为22.15%）。这些结果表明虹膜PAD仍然是一个具有挑战性的问题。

    Oct, 2023

  • 基于小波变换和深度残差神经网络的演示攻击检测

    本研究应用深度学习方法在生物特征访问控制系统中抵御演示攻击，通过应用小波变换提取生物特征图像的特征，并修改了深度残差神经网络来检测演示攻击。在ATVS虹膜数据集上，获得了93%的最佳准确率；在CASIA两类数据集和CASIA裁剪图像数据集上，分别实现了91%和82%的测试准确率。

    Nov, 2023

  • 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

  • 显著性的精细优化：基于显著性的生物特征攻击检测模型训练

    融入人类感知智能到模型训练能增强在难度较高的生物特征任务中的泛化能力，如攻击检测和合成样本检测。本文研究了不同的显著性粒度水平，通过使用简单但有效的显著性后处理技术，在数个卷积神经网络中实现了增强的攻击检测和合成人脸检测的泛化能力。

    May, 2024

  • 隐私安全的虹膜展示攻击检测

    本研究解决了虹膜展示攻击检测中存在的隐私泄露问题，提出了一种仅使用合成无身份信息泄漏的虹膜图像的方法。研究表明，通过合成数据训练的模型与使用真实人类虹膜图像训练的模型相比，尽管性能稍逊，但随着生成模型的逐步提升，开发隐私安全的虹膜PAD方法具有较大的潜力。

    Aug, 2024

  • 一个统一的虹膜反欺骗框架：引入IrisGeneral数据集和Masked-MoE方法

    本研究解决了虹膜反欺骗方法在跨领域能力方面的不足，尤其是缺乏能够评估虹膜反欺骗任务泛化能力的数据集。我们提出了IrisGeneral数据集，设计了三种评估协议，并引入了Masked-MoE方法，通过随机掩蔽部分令牌来提高模型的泛化能力，实验结果表明，该方法在IrisGeneral数据集上实现了最佳性能。

    Aug, 2024