Intra and Cross-spectrum Iris Presentation Attack Detection in the NIR and Visible Domains

要約

虹彩プレゼンテーション攻撃検出 (PAD) は、虹彩認識システムを保護するために不可欠です。
最近の iris PAD ソリューションは、ディープ ラーニング技術を活用することで優れたパフォーマンスを達成しました。
ただし、ほとんどの結果はデー​​タベース内のシナリオで報告されており、そのようなソリューションがデータベース全体でうまく一般化し、スペクトルをキャプチャできるかどうかは不明です。
これらの PAD メソッドは、グローバルな情報学習に役立ちますが、ローカルの識別機能のキャプチャを弱めるネットワーク トレーニング中のバイナリ ラベル監視のために、オーバーフィッティングのリスクを冒します。
この章では、新しいアテンション ベースのディープ ピクセル単位のバイナリ監視 (A-PBS) メソッドを紹介します。
A-PBS は、ピクセル単位の監視を利用して、細粒度のピクセル/パッチ レベルの手がかりとアテンション メカニズムをキャプチャし、正確な PAD 決定に最も貢献する領域をネットワークが自動的に見つけるように誘導します。
提案された A-PBS メソッドの有効性と堅牢性を示すために、6 つの NIR データベースと 1 つの可視光虹彩データベースに対して広範な実験が実行されます。
さらに、詳細な分析のために、イントラ/クロスデータベースおよびイントラ/クロススペクトルで広範な実験を行います。
実験の結果は、A-PBS アイリス PAD アプローチの一般化可能性を示しています。

要約(オリジナル)

Iris Presentation Attack Detection (PAD) is essential to secure iris recognition systems. Recent iris PAD solutions achieved good performance by leveraging deep learning techniques. However, most results were reported under intra-database scenarios and it is unclear if such solutions can generalize well across databases and capture spectra. These PAD methods run the risk of overfitting because of the binary label supervision during the network training, which serves global information learning but weakens the capture of local discriminative features. This chapter presents a novel attention-based deep pixel-wise binary supervision (A-PBS) method. A-PBS utilizes pixel-wise supervision to capture the fine-grained pixel/patch-level cues and attention mechanism to guide the network to automatically find regions where most contribute to an accurate PAD decision. Extensive experiments are performed on six NIR and one visible-light iris databases to show the effectiveness and robustness of proposed A-PBS methods. We additionally conduct extensive experiments under intra-/cross-database and intra-/cross-spectrum for detailed analysis. The results of our experiments indicates the generalizability of the A-PBS iris PAD approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google