최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기방송과 미디어 = Broadcasting and media magazine, v.25 no.2, 2020년, pp.52 - 60
김원준 (건국대학교)
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
얼굴 위변조 검출방법 중, 심층신경망 기반 방법의 장점은 무엇인가? | 즉, 입력 영상은 적층 구조의 합성 곱 계층을 반복적으로 통과하면서 얼굴 위변조 검출을 위한 잠재 특징(Latent Feature)으로 압축되며 이를 기반으로 심층신경망 기반 방법은 기존 영상 특징 대비 검출 정확도를 효과적으로 개선하였다. 이러한 심층신경망 기반 방법은 다양한 위변조 공격 형태를 모델 용량 증가 없이 학습할 수 있는 장점이 있으며, 깊은 적층 구조(Deeply Stacked Architecture)를 기반으로 위변조 얼굴 영상의 다양한 비선형적 변형 또한 성공적으로 학습할 수 있다. 그러나 학습 데이터셋에 존재하지 않는 위변조 공격에 대해서는 매우 취약하며, 기존 영상 텍스처 기반 위변조 검출 방법 대비 수행속도가 느린 문제점이 있다. | |
얼굴 위변조 검출 방법은 크게 어떠한 방법으로 나뉘는가? | 얼굴 위변조 검출 방법은 영상 내 텍스처(Texture) 정보를 이용한 검출 방법과 심층학습을 이용한 검출 방법으로 크게 나눌 수 있다. 전자의 경우, 모든 픽셀 위치에서 주변 픽셀 값과의 비교 결과를 이진 패턴으로 인코딩하는 기술자(Local BinaryPattern, LBP) [1]를 이용하여 실제 얼굴과 위변조 얼굴의 차이를 구별하고자 노력하였다. | |
영상 내 텍스처(Texture) 정보를 이용한 검출 방법의 한계는 무엇인가? | 전자의 경우, 모든 픽셀 위치에서 주변 픽셀 값과의 비교 결과를 이진 패턴으로 인코딩하는 기술자(Local BinaryPattern, LBP) [1]를 이용하여 실제 얼굴과 위변조 얼굴의 차이를 구별하고자 노력하였다. 그러나 고해상도 영상 제작이 가능해지면서 실제 얼굴과 위변조 얼굴 간 미세한 표면 차이를 픽셀 밝기 값의 관계만으로 구별하기 매우 어려우며, 다양한 위변조 형태를 효과적으로 학습하는 데 한계가 있다. 한편, 영상 인식 분야에서 뛰어난 성과를 보여준 심층신경망(Deep Neural Network)을 얼굴 위변조 검출에 적용하고자 하는 연구가 몇몇 연구자들에 의해 시작되고 있다. |
Y. Atoum, Y. Liu, A. Jorabloo, and X. Liu, "Face anti-spoofing using patch and depth-based CNNs," in Proc. IEEE Int. J. Conf. Biometrics, pp. 319-328, Oct. 2017.
H. Li et al., "Learning generalized deep feature representation for face anti-spoofing," IEEE Tr. Inform. Forensics and Secur., vol. 13, no. 10, pp. 2639-2652, Oct. 2018.
Y. Liu, A. Jourabloo, and X. Liu, "Learning deep models for face anti-spoofing: binary or auxiliary supervision," in Proc. IEEE CVPR, pp. 389-398, Jun. 2018.
X. Yang, W. Luo, L. Bao, D. Gong, S. Zheng, Z. Li, and W. Liu, "Face anti-spoofing: model matters, so does data," in Proc. IEEE CVPR, pp. 3507-3516, Jun. 2019.
A. Jourabloo, Y. Liu, and X. Liu, "Face de-spoofing: anti-spoofing via noise modeling," in Proc. European Conference on Computer Vision (ECCV), Sep. 2018.
Y. Liu, J. Stehouwer, A. Jourabloo, and X. Liu, "Deep tree learning for zero-shot face anti-spoofing," in Proc. IEEE CVPR, pp. 4675-4684, Jun. 2019.
R. Shao, X. Lan, J. Li, and P. C. Yuen, "Multi-adversarial discriminative deep domain generalization for face presentation attack detection," in Proc. IEEE CVPR, pp. 10015-10023, Jun. 2019.
A. Liu et al., "Multi-modal face anti-spoofing attack detection challenge at CVPR 2019," in Proc. IEEE CVPRW, Jun. 2019.
T. Shen, Y. Huang, and Z. Tong, "FaceBagNet: bag-of-local-features model for multi-modal face anti-spoofing," in Proc. IEEE CVPRW, Jun. 2019.
K. He, X. Zhang, S. Ren, and J. Sun, "Deep residual learning for image recognition," in Proc. IEEE CVPR, pp. 770-778, Jun. 2016.
O. Nikisins, A. George, and S. Marcel, "Domain adaptation in multi-channel autoencoder based features for robust face anti-spoofing," in Proc. ICB, pp. 1-8, Jun. 2019.
H. Chen, Y. Chen, X. Tian, and R. Jiang, "A cascade face spoofing detector based on face anti-spoofing R-CNN and improved Retinex LBP," IEEE Access, vol. 7, pp. 170116-133, Dec. 2019.
X. Tu, H, Zhang, M. Xie, Y. Luo, Y. Zhang, and Z. Ma, "Enhance the motion cues for face anti-spoofing using CNNLSTM architecture," in arXiv 1901.05635, Jan. 2019.
J. Guo, X. Zhu, J. Xiao, Z. Lei, G. Wan, and S. T. Li, "Improving face anti-spoofing by 3D virtual synthesis," in Proc. ICB, pp. 1-8, Jun. 2019.
Z. Zhang, J. Yan, S. Liu, Z. Lei, D. Yi, and S. Z. Li, "A face antispoofing database with diverse attacks," in Proc. ICB, 2012, pp. 26-31.
I. Chingovska, A. Anjos, and S. Marcel, "On the effectiveness of local binary patterns in face anti-spoofing," in Proc. IEEE BIOSIG, Sep. 2012, pp. 1-7.
K. Patel, H. Han, and A. K. Jain, "Secure face unlock: spoof detection on smartphones," IEEE Tr. Inform. Forensics and Secur., vol. 11, no. 10, pp. 2268-2283, Oct. 2016.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.