无监督指纹照片呈现攻击检测的扩散模型研究
本研究提出使用Vision Transformer(ViT)模型的统一系统架构,实现虚假检测和匹配,并取得了与最先进(SOTA)的顺序系统相当的98.87%的平均集成匹配(IM)准确率,但参数只有后者的约50%,延迟只有后者的约58%。该方法适用于安全指纹识别等场景。
May, 2023
本文提出了一种新颖的可解释的残差轻量级网络,通过表示输入指纹样本中的视觉特征来检测介绍攻击,并将其热度图表示,经过修改的残差卷积神经网络判别真假指纹,并在基准活体检测竞赛数据库Livdet 2011,2013,2015,2017和2019上分别实现了96.86%,99.84%,96.45%,96.07%和96.27%的分类准确度,相比于其他技术,该方法在介绍攻击检测基准协议方面的分类准确度表现更优秀。
May, 2023
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
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
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
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
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
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
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%)。
Feb, 2024
该研究探索了使用去噪扩散概率模型(DDPMs)生成合成指纹图像。相对于收集真实生物识别数据所面临的隐私和多样性数据需求困难,本研究旨在提出DDPMs作为一种既真实又多样的合成生物识别替代方案。结果显示,DiffFinger不仅在质量上能与真实训练集数据相媲美,还提供了更丰富的生物识别数据,反映出真实生活中的变异。这些发现标志着生物识别合成领域的一个重要进展,并展示了DDPMs在指纹识别和认证系统领域的潜力。
Mar, 2024