[논문]DenseNet을 통한 얼굴 스푸핑 탐지 기술

김소의; 유수경; 이의철

[국내논문] DenseNet을 통한 얼굴 스푸핑 탐지 기술
Face spoofing detection using DenseNet 원문보기

김소의 (상명대학교 휴먼지능정보공학전공) , 유수경 (상명대학교 휴먼지능정보공학전공) , 이의철 (상명대학교 휴먼지능정보공학전공)

얼굴을 이용한 신원인식 방법은 높은 사용 편의성과 보편성 때문에 다양한 분야에서 활용되고 있다. 그러나 타인의 얼굴 사진이나 테블릿 PC 를 통한 얼굴 동영상 재생과 같은 손쉬운 방법을 통한 얼굴 스푸핑 공격 사례가 다수 보고되고 있다. 하지만 기존의 영상의 텍스처 특징을 활용한 방법은 영상의 초점 상태에 취약하고 기계학습에 사용된 데이터에 의존적이다. 따라서 보다 강력한 스푸핑 탐지 기술이 필요하다. 본 연구에서는 다양한 각도와 거리 편차 요소를 포함하는 자체 구축 DB 와 DenseNet 을 활용한 딥러닝 기반의 위조 얼굴 검출 기술을 연구했다.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 이러한 문제점을 해결하고자 CNN 기반의 신경망 모델인 DenseNet-121 을 통한 얼굴 스푸핑 공격 탐지 기술을 연구했다. 연구에 사용한 DB 는 거리, 각도와 같은 차별화된 특성을 가지는 PR-FASD 이다 [4].

제안 방법

각각의 feature map 의 depth 는 128, 256, 512, 1024 으로 2 배씩 증가하였으며, 이때 stride=2, epoch=100 으로 지정하였다. 학습과정에서 Binary cross entrophy 를 손실함수로, 확률적 경사 하강법을 최적화함수로 사용하였으며 learningrate 은 0.001 이였다. 또한, 과적합 등의 문제를 방지하기 위해 학습과정에서 검증데이터를 추가적으로 이용하였다.
001 이였다. 또한, 과적합 등의 문제를 방지하기 위해 학습과정에서 검증데이터를 추가적으로 이용하였다.

대상 데이터

본 논문에서는 PR-FASD 데이터베이스를 학습, 검증, 테스트 데이터로 이용하였다. 신경망 모델인 Densnet-convolution filter 64 개를 사용하여 학습되었으며, 이 과정에서 1×1 및 3×3 convolution filter 로 이루어진 Dense Block 은 총 4 개로 구성되어졌다. 각각의 feature map 의 depth 는 128, 256, 512, 1024 으로 2 배씩 증가하였으며, 이때 stride=2, epoch=100 으로 지정하였다.
본 논문에서는 이러한 문제점을 해결하고자 CNN 기반의 신경망 모델인 DenseNet-121 을 통한 얼굴 스푸핑 공격 탐지 기술을 연구했다. 연구에 사용한 DB 는 거리, 각도와 같은 차별화된 특성을 가지는 PR-FASD 이다 [4].
연구에 사용한 DB 는 고정되지 않은 배경과 조명, 3 가지의 거리(near, halfway, distant), 그리고 3가지의 각도(bottom, middle, top)라는 차별화된 특성을 가지는 PF-FASD 이다. 이 DB 에는 30명(남성: 19 여성: 11)의 실제 얼굴 영상과 스푸핑 공격 방지를 위한 인쇄된 사진과 재생 비디오를 촬영한 가짜 얼굴 영상이 있다.
본 논문에서는 PR-FASD 데이터베이스를 학습, 검증, 테스트 데이터로 이용하였다. 신경망 모델인 Densnet-convolution filter 64 개를 사용하여 학습되었으며, 이 과정에서 1×1 및 3×3 convolution filter 로 이루어진 Dense Block 은 총 4 개로 구성되어졌다.

이론/모형

85 로 아래 <표1>과 같다. 얻어진 결과는 Receiver Operating Characteristic(ROC) 곡선을 이용하여 시각화 되었다. ROC 곡선은 False Positive Rate(FPR)과 True Positive Rate(TPR)을 각각 x, y 축으로 놓은 그래프로 ROC 곡선의 밑면적인 Area Under the Curve(AUC)의 넓이가 넓을수록 분류 모델의 성능이 좋음을 나타낸다.
얼굴 스푸핑 공격 검출 성능 결과 확인 지표로 Half Total Error Rate(HTER)과 정확도를 사용하였다. HTER 은 값이 작을수록 성능이 좋은 것으로 오분류의 비율 만을 이용한 값이다.

성능/효과

분류성능에 대한 ROC 곡선은 (그림 3)에서 볼 수 있다. 결과적으로 PR-FASD 를 이용한 위조 얼굴 검출에 대한 Densenet-121 의 분류 정확도는 97.66%로 매우 뛰어났다. 비교를 위해 추가적으로 수행한 SVM 모델의 정확도는 92.
66%로 매우 뛰어났다. 비교를 위해 추가적으로 수행한 SVM 모델의 정확도는 92.26%로 비교적 저조한 성능을 보였다. Densnet-121 모델은 concatentation 을 통해 이미지의 저수준 특징을 깊은 layer 까지 보존 가능한 구조를 가지고 있다.

후속연구

추후, Densenet-121 과 더불어 이진 분류를 위해 유용하게 이용되는 신경망 모델인 Resnset-18 을 이용한 위조 얼굴 분류 검출을 할 예정이다. 또한 두 모델의 결과 비교를 통해 이미지의 저수준 특징 반영이 위조 얼굴 검출 성능에 유효한 영향을 미치는가에 대한 연구를 진행할 계획이다.
추후, Densenet-121 과 더불어 이진 분류를 위해 유용하게 이용되는 신경망 모델인 Resnset-18 을 이용한 위조 얼굴 분류 검출을 할 예정이다. 또한 두 모델의 결과 비교를 통해 이미지의 저수준 특징 반영이 위조 얼굴 검출 성능에 유효한 영향을 미치는가에 대한 연구를 진행할 계획이다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] DenseNet을 통한 얼굴 스푸핑 탐지 기술
Face spoofing detection using DenseNet 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] DenseNet을 통한 얼굴 스푸핑 탐지 기술 Face spoofing detection using DenseNet 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] DenseNet을 통한 얼굴 스푸핑 탐지 기술
Face spoofing detection using DenseNet 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper