ID Card Spoofing Detection Using Frequency Features and CNNs
Notice bibliographique
Résumé
This paper proposes a lightweight and robust approach for detecting spoofed ID card images by integrating convolutional neural networks (CNNs) with frequency-domain analysis.The model adopts a dual-branch design: one branch processes the original RGB image, while the other takes a frequency-enhanced version produced using a high-pass Fast Fourier Transform (FFT) filter.Both branches use the same architecture: the first seven convolutional layers of the VGG16 backbone but each branch has its own parameters.The two streams are merged by a multi-head cross-attention fusion module, which aligns and integrates the complementary cues from both branches more effectively, followed by a classification module for "genuine" vs. "spoof".The method is evaluated on the "or" and "re" subsets of the Document Liveness Challenge 2021 dataset (DLC-2021).On these subsets, the model attains precision of 93.64%, recall of 88.90% and accuracy of 91.68%, significantly outperforming baseline models.The implementation remains computationally efficient, requiring about 0.120 s per image on an Intel Xeon 2.20 GHz (x86-64) CPU.The approach achieves a favorable trade-off by combining high detection accuracy with a compact model size.These results highlight the benefit of exploiting both spatial and frequency features to enhance the reliability of electronic identity verification systems.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 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) | 0,001 | 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 ».