Feb, 2024

AttackNet: 通过定制的卷积神经网络架构增强生物特征安全性的方法

PDF
TL;DRAttackNet 是一种巧妙设计的卷积神经网络架构，采用深度学习方法应对生物特征系统中的欺骗威胁，通过低级特征提取到高级模式识别无缝过渡的分层防御机制，具有优越的性能指标，并与当代模型进行了详细的比较分析，突出了深度学习在生物特征安全领域的潜力。
发现论文，激发创造
  • 卷积神经网络在人脸反欺诈中的性能评估

    本文通过基于卷积神经网络的 Inception 和 ResNet 模型在 MSU Mobile Face Spoofing 数据库上的表现，研究了如何应用这些深度学习算法实现面部反欺骗的生物特征访问控制。

    May, 2018

  • 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

  • 关于攻击深度特征的研究

    本研究通过引入层次原点目标合成技术（LOTS）提出了一般化的方法来生成称为对抗性样本的样本，研究比较了使用欧几里得距离和余弦距离的系统和 end-to-end VGG Face 网络的对抗鲁棒性，表明通过使用 LOTS 可以非常有效地攻击利用深度特征的系统，使其比 end-to-end 网络更容易受到攻击。

    Nov, 2016

  • 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

  • 利用卷积多头注意力网络进行指静脉验证

    介绍了一种利用卷积多头注意网络的新型指静脉验证技术，该技术能从正常和增强的指静脉图像中提取判别信息，通过与其他五种先进的指静脉验证系统的比较，证明了该方法的有效性。

    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

  • 深度局部特征学习在人脸防欺骗检测中的应用

    本文使用卷积神经网络（CNN）中的局部特征来提高面部欺骗检测的性能，并且在整个面部图像上进行预训练，使 CNN 可以学习不同的本地欺骗线索，从而改进了性能并提高了最终模型的收敛速度。

    Jun, 2018

  • 智能家居安全攻击检测可解释性和最优配置的人工神经网络

    提出了一种考虑了 ANN 模型可解释性和超参数选择的模型，用于智能家居应用领域的入侵检测，针对五种类别攻击和九个亚类别攻击进行了模型配置、性能和评估，利用最新的 IoT 数据集，该方法在二进制、类别和子类别攻击分类方面表现出高达 99.9%、99.7% 和 97.7% 的准确度。

    May, 2022

  • 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

  • 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