破解 reCAPTCHAv2
本文综述了基于深度学习的人体解析技术在图像和视频领域中的研究进展和挑战,并提出一种基于Transformer的高性能人体解析框架,同时还提出了未来研究的方向和待解决的问题。
Jan, 2023
该研究旨在调查CAPTCHA生成系统中的缺陷和漏洞,以设计更具弹性的CAPTCHA。通过创建CapNet,我们提出了一种卷积神经网络平台,旨在评估数字和字母数字CAPTCHA,从而提高网站的安全性。
Feb, 2023
BOTTRINET使用嵌入技术,提出一个统一的嵌入框架进行机器人检测,并设计了三重神经网络进一步提高分类性能,成功实现对真实世界数据集的最高平均准确度和f1分数,达到98.34%和97.99%,且对于四个内容无关的bot集合,平均准确度提高了11.52%,f1分数提高了16.70%。
Apr, 2023
本论文从Twitter账号出发,提出了使用卷积神经网络的新型算法,将账号执行的操作序列转化为图片,并进行图像分类,从而进行bot检测。结果证实了该方法的有效性,因为它与现有技术处在同一水平,并在某些情况下更好。
Apr, 2023
本文提出了一种利用深度集成不确定性估计来检测和跳过分布之外CAPTCHA的新型CAPTCHA解算器EnSolver,通过在目标检测模型上展示其在内部分布和外部分布数据上的表现,我们证明了它在检测外部分布数据方面的准确率可达到98.1%,在解决内部分布的CAPTCHA时成功率可达到93%。
Jul, 2023
通过使用扩散模型生成图像,文中介绍了一种名为Diff-CAPTCHA的图像点击CAPTCHA方案,该方案通过减弱用于机器学习的字符特征、增加CAPTCHA中字符特征的多样性以及增加破解算法的难度,有效提高了CAPTCHA的安全性。研究还通过多种攻击方法验证了Diff-CAPTCHA的安全性,并将其与三种基准方案进行了比较,实验结果表明,扩散模型在提高CAPTCHA安全性的同时能够保持良好的人类可用性。
Aug, 2023
通过将敌对示例与CAPTCHA结合,生成能够欺骗深度模型的敌对CAPTCHA,以解决安全性和可用性的权衡问题,本文分类方法并系统回顾生成敌对示例和敌对CAPTCHA的常用方法,并分析可用于防御敌对CAPTCHA的一些防御方法和潜在威胁,最后探讨了敌对CAPTCHA的未来研究方向。
Nov, 2023
我们提出了一种新方法MOCHa,通过使用强化学习(RL)的进展来处理图像字幕中幻觉的序列级性质,在不需要强监督的情况下共同优化字幕的准确性和生成的内容的逻辑一致性,并展示了其在不同规模的字幕模型上的卓越性能。
Dec, 2023
提出了一种基于连接主义时间分类丢失技术的无分割OCR模型,用于文本captcha分类。与现有模型相比,该模型在字符级别上达到了99.80%的准确率,词级别上达到了95%的准确率。采用无分割连接主义时间分类丢失技术处理变长复杂captcha,将在保障软件系统安全方面得到广泛应用。
Feb, 2024
本研究解决了现代CAPTCHA在图像识别模型进步背景下的脆弱性。通过允许对图像进行更显著的修改,同时保持语义信息,使得人类可解答,我们能够有效欺骗多种高级模型。研究发现,使用不同强度的面具可以使模型的准确率大幅下降,显示出机器尚未完全赶上人类的能力。
Sep, 2024