V-MAD:操作场景中基于视频的变形攻击检测
本文提出了一种多光谱框架用于差异化仿真攻击检测,该方法通过在电子护照中捕获的基准图像和在可信设备中捕获的面部图像来检测电子护照中呈现的人脸图像是否被修改,并在多个会话中使用可见光和多光谱相机对 143 个独特数据主体进行了广泛实验,结果表明该多光谱框架的性能优于可见光图像检测。
Apr, 2023
该研究论文针对模拟攻击问题,提出了 ACIdA 模块化差分 MAD 系统,实现了较好的性能和成果,超过了现有文献中的竞争对手,并在传统差分 MAD 基准测试中保持良好的性能。
Apr, 2024
本文介绍了一种基于扩散的新型高效 MAD 方法,学习纯粹的真实图像的特征,实现对不同形态的变形攻击的检测。在四个不同数据集上进行了严格的实验,并与现有解决方案进行了比较,结果表明我们的 MAD 模型在所有数据集上都取得了高竞争力的结果。
Jun, 2023
通过像素级别的监督方法,我们训练一个分类器来识别脸部变形攻击,我们的解决方案相比于现有算法更加准确,而且在检测重数读攻击时表现良好;另外,我们还创建了一个新的数据集,即 LMA-DRD 数据集,可用于研究目的。
Aug, 2021
本篇论文讨论了利用真实的人脸图像数据库训练和测试差分变形攻击检测算法的可行性。在进行多个不同后处理之后,使用不同的工具创建了人脸融合图像。通过实验表明,基于深度学习的差分变形攻击检测算法在各种后处理情形下可以实现非常高的检测性能和鲁棒性。
Jan, 2020
本研究介绍了首个基于合成数据的变形攻击检测开发数据集 (SMDD) ,证明该数据集成功地用于训练三种变形攻击检测骨干网络,从而实现了高性能的变形攻击检测,即使是完全未知的攻击类型。通过详细的法律分析,我们表明在使用和分享真实生物特征数据的挑战方面,我们提议的 SMDD 数据集至关重要。该数据集包含 30,000 个攻击样本和 50,000 个真实样本,可供研究目的公开使用。
Mar, 2022
视频异常检测(VAD)在现代监控系统中扮演着关键角色,旨在识别真实情境中的各种异常。然而,当前基准数据集主要强调简单的单帧异常,如新颖物体检测,这种狭窄的焦点限制了 VAD 模型的进展。在这项研究中,我们主张扩展 VAD 研究,涵盖超越传统基准范围的复杂异常。为此,我们引入了两个数据集:HMDB-AD 和 HMDB-Violence,以挑战具有多样化基于动作的异常的模型。这些数据集源于 HMDB51 动作识别数据集。我们进一步介绍了一种新方法 Multi-Frame Anomaly Detection(MFAD),它建立在 AI-VAD 框架之上。AI-VAD 利用单帧特征,如姿势估计和深度图像编码,以及双帧特征,如物体速度。然后,他们应用密度估计算法计算异常分数。为了解决复杂的多帧异常,我们添加了捕捉长期时态依赖性的深度视频编码特征和逻辑回归以增强最终分数计算。实验结果证实了我们的假设,并突显出现有模型对新异常类型的限制。在简单和复杂的异常检测场景中,MFAD 表现出色。
Oct, 2023
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
我们提出了一个多重视觉伪影检测器,能够使用单一框架检测多种伪影类型,并且不依赖视频质量评估模型。该模型通过一种新的感知伪影时空特征提取器和一个循环记忆视觉变换器模块进行处理,实现全面优化,并在两个视频伪影数据库上取得了一致且改进的预测结果。
May, 2024
通过对 MC-VAD 相关研究论文的批判性评估和挑战性方面的重点突出,该综述总结了 MC-VAD 的主要研究领域,并提出了对应的数据集类型、异常检测方法和未来研究方向,为研究人员和从业者在 MC-VAD 领域的发展提供了有价值的参考。
Aug, 2023