Comparison of Fine-Tuned Networks on Generalization for Face Spoofing Detection
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».