Feb, 2024

全局 - 局部模型使用的指纹展示攻击检测器

PDF
TL;DR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%）。
automated fingerprint recognition systemspresentation attackspa detection technologyspoofness scorelivdet 2017
发现论文，激发创造
  • 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

  • FRT-PAD：基于人脸相关任务驱动的有效呈现攻击检测

    该论文介绍了一种利用人脸相关任务先验知识来提高 Presentation Attack Detection (PAD) 的泛化能力的方法，该方法包括引入人脸相关任务的特征、设计跨模态适配器以重新映射特征并使用卷积神经网络 (CNN) -basaed PA 检测器的分层特征和重新映射特征来实现 PAD。实验结果表明，该方法在复杂和混合数据集上表现显着优于现有技术。

    Nov, 2021

  • 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

  • 通用表现攻击检测：一种面部防欺诈评估方案

    本文介绍了一种名为 face-GPAD 的新的开源评估框架，旨在研究人脸 PAD 方法的泛化能力，同时提出了一个聚合和分类的大型数据集，以解决公共数据集之间的不兼容性问题，并提出了两个新的评估协议，旨在测量人脸分辨率变化引入的影响和评估对抗性操作条件的影响。

    Apr, 2019

  • 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

  • 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

  • PAD-Phys 在面部生物测量中利用生理学进行演示攻击检测

    基于远程光电容积描记术 (rPPG)，本研究提出了三种不同的基于 rPPG 的展示攻击检测方法：(i) 生理领域，即使用 rPPG 模型的领域，(ii) Deepfakes 领域，在其中从生理领域重新训练模型以执行特定的 Deepfakes 检测任务；和 (iii) 新的展示攻击领域，通过将从前两个领域应用迁移学习来提高区分真实和攻击的能力。实验结果表明，基于 rPPG 的模型在展示攻击检测中效率高，将平均分类错误率 (ACER) 从 41.03％降低到 19.32％，比生理和 Deepfakes 领域减少了 21.70％。我们的实验突出了 rPPG 模型中迁移学习的效率，且对于不允许复制这种生理特征的设备，在展示攻击检测中表现良好。

    Oct, 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

  • Flickr-PAD: 新面孔高分辨率演示攻击检测数据库

    本研究提出了一种基于 Flickr 图像的新型 PAD 数据库：Flickr-PAD，利用该数据库进行训练和评估可以得到比现有算法更好的结果，该方法使用了 MobileNet-V3 和 EfficientNet-B0 模型， BPCER10 为 7.08％，BPCER20 为 11.15％。

    Apr, 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