Open-Set: ID Card Presentation Attack Detection using Neural Transfer Style

要約

デジタル オンボーディングまたは認証のために ID カードのデジタル写真の提示を必要とするオンライン/リモート サービスが増加しているため、ID カード プレゼンテーション攻撃 (PA) を正確に検出することがますます重要になっています。
さらに、サイバー犯罪者は、認証システムをだましてこれらのサービスに不正アクセスする革新的な方法を継続的に模索しています。
ニューラル ネットワークの設計とトレーニングの進歩により、画像分類は最先端のものになりましたが、不正検出システムの開発が直面する主な課題の 1 つは、トレーニングと評価用の代表的なデータセットの収集です。
代表的なプレゼンテーション攻撃サンプルを手作業で作成するには専門知識が必要であり、非常に時間がかかるため、高品質のデータを取得する自動プロセスが非常に望まれます。
この研究では、4 つの敵対的生成ネットワーク (GAN) ベースの画像変換モデルを使用したサンプルの生成を改善するために、ID カード プレゼンテーション攻撃手段 (PAI) を調査し、不正検出システムをトレーニングするための生成されたデータの有効性を分析します。
オープンソース データを使用して、合成攻撃プレゼンテーションが追加の実際の攻撃プレゼンテーションを適切に補完するものであることを示し、印刷攻撃では 0.63% ポイントの EER パフォーマンスの向上が得られ、画面キャプチャ攻撃では 0.29% の損失が得られました。

要約(オリジナル)

The accurate detection of ID card Presentation Attacks (PA) is becoming increasingly important due to the rising number of online/remote services that require the presentation of digital photographs of ID cards for digital onboarding or authentication. Furthermore, cybercriminals are continuously searching for innovative ways to fool authentication systems to gain unauthorized access to these services. Although advances in neural network design and training have pushed image classification to the state of the art, one of the main challenges faced by the development of fraud detection systems is the curation of representative datasets for training and evaluation. The handcrafted creation of representative presentation attack samples often requires expertise and is very time-consuming, thus an automatic process of obtaining high-quality data is highly desirable. This work explores ID card Presentation Attack Instruments (PAI) in order to improve the generation of samples with four Generative Adversarial Networks (GANs) based image translation models and analyses the effectiveness of the generated data for training fraud detection systems. Using open-source data, we show that synthetic attack presentations are an adequate complement for additional real attack presentations, where we obtain an EER performance increase of 0.63% points for print attacks and a loss of 0.29% for screen capture attacks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google