Comparison of Fine-Tuned Networks on Generalization for Face Spoofing Detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Spoofing is a primary security concern for all the organizations and researchers across the globe.Security can be achieved through different mediums; authentication is one such important medium.Biometric Authentication is considered as an important and strong form that's difficult to break.Biometric authentication mainly includes two mechanisms, viz.Physiological and Behavioral, Physiological traits include the face, fingerprint, retina, iris, palm geometry, etc. Face Recognition has many application areas due to its ease of implementation, and they can be easily fooled or spoofed, termed as Face Spoofing Attack.Face spoofing attacks are viz.2D and 3D attacks, 2D Attacks include Fake photo, Warped photos, Video display and 3D attacks performed using 3D masks.Deep learning methods have proved beneficial for detecting spoofing attacks; these methods use fine-tuned and pre-trained models.The paper compares the proposed fine-tuned VGG16 and RESNET-50 architectures and their generalization performance of Face Spoofing Detection.The 3D MAD and NUAA Imposter Dataset are used to validate the performance for two color spaces viz.RGB and YCBCR; the results are obtained for both color spaces.RGB color space is related to human visual system but it's not invariant to illumination on the other hand YCBCR separates chrominance and luminance part which makes it illumination invariant and face recognition systems have reflectance issue.Cross-dataset evaluation is an important metric for face liveness detection.The paper presents cross dataset results on the above datasets with the lowest HTER of 18%.The fine-tuned VGG-16 architecture gives the best values for cross-dataset evaluation when trained on 3D MAD and tested for NUAA imposter dataset and same is true for RESNET-50 architecture.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle