A Novel Deep Learning-Based Method for Real-Time Face Spoof Detection
Notice bibliographique
Résumé
Abstract Facial-based Commercial Off-The-Shelf (COTS) systems increase the success rate of spoof attacks to 70% detection accuracy. A spoof attack uses an image, video, or 3D model of a person to gain unauthorized access to a biometric system. Face spoof attacks are mostly based on common spoof vectors, print attacks, and replay attacks. This research aims to improve the detection accuracy of face spoof recognition systems by employing a hybrid model of machine learning and computer vision-based approaches. Differences, including Decision Tree, Nave Bayes, K-nearest Neighbor, Support Vector Machine, Convolutional Neural Network (CCN), and Recurrent Neural Networks are used for face spoof detection. For face spoof detection, the proposed model is a hybrid variant of the CNN-based classifier used in the proposed face spoof detection model. This study improves real-time face fake detection using machine learning and computer vision. The proposed system is based on a CNN-based classification approach with optimized hyper parameters that detect real-time face spoofing attacks using print, video, and repeat attacks, improving detection accuracy. IDIAP, USSA & and MSFD datasets are used in the simulation; the proposed model has achieved a maximum accuracy of 87.5%. Furthermore, the proposed model achieved a high sensitivity score of 92.45%, indicating that it is highly likely to be used for spoof attack detection systems in the future.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».