HyperAIHyperAI
منذ 8 أيام

A-DeepPixBis: زاوية الانتباه التصحيحية للوقاية من التزييف الوجهي

{Nabeel Mohammed, Shirshajit Sengupta, Md. Hasan, Koushik Roy, Labiba Rupty, Md. Sourave Hossain}
الملخص

تُستخدم أنظمة منع التزوير الوجهية (FAS) للكشف عن محاولات التزوير الخبيثة الموجهة ضد أنظمة التعرف على الوجه باستخدام وسائط مثل إعادة تشغيل الفيديو أو الأوراق المطبوعة. ومع التوسع المتزايد في استخدام تقنية التعرف على الوجه كوسيلة مصادقة بيومترية، تزداد أهمية تقنيات FAS. من منظور التعلم الآلي، تمثل هذه الأنظمة مهمة تصنيف ثنائي. عند تنفيذها باستخدام حلول تعتمد على الشبكات العصبية، يُعد استخدام دالة الخسارة المتقاطعة الثنائية (BCE) أمرًا شائعًا لتحسين الأداء. في هذه الدراسة، نقترح نسخة معدلة من BCE تفرض هامشًا في الفضاء الزاوي، ونُدرجها في تدريب نموذج DeepPixBis [1]. بالإضافة إلى ذلك، نقدم أيضًا طريقة لدمج هذه الدالة في إطار مراقبة دقيقة على مستوى البكسل، وتُطبَّق في بيئة كاملة التحويلية (Fully Convolutional). تُظهر النتيجة المُقترحة أداءً تنافسيًا في الاختبارات داخل وخارج المجموعة على عدة مجموعات بيانات معيارية، وتتفوق بشكل ثابت على النموذج الأساسي DeepPixBis. وبشكل مثير للاهتمام، في حالة البروتوكول 4 من مجموعة OULU-NPU، الذي يُعتبر الأصعب، حققت الطريقة المقترحة معدل خطأ التصنيف المقبول (ACER) بنسبة 5.22%، أي بفارق 0.22% فقط عن أفضل أداء حالي (State of the Art)، دون الحاجة إلى أي عمليات باهظة التكلفة مثل بحث الهيكل العصبي (Neural Architecture Search).

A-DeepPixBis: زاوية الانتباه التصحيحية للوقاية من التزييف الوجهي | أحدث الأوراق البحثية | HyperAI