没有合适的资源?快使用搜索试试~ 我知道了~
961角膜接触镜Iris PAD算法的错误分类:是性别偏见还是环境因素?Akshay Agarwal1,Nalini Ratha2,Afzel Noore3,Richa Singh4和Mayank Vatsa41印度博帕尔,2美国布法罗大学,3美国得克萨斯A M大学金斯维尔,4印度焦特布尔IITakagarwal@iiserb.ac.in,nratha@buffalo.edu,afzel. tamuk.edu,{richa,mvatsa} @ iitj.ac.in摘要生物识别流水线的关键步骤之一是检测呈现攻击,一个物理对手。包括虹膜攻击检测算法在内的几种攻击检测算法已经被提出并表现出了最好的性能。然而,最近的一项小规模数据库研究强调,虹膜PAD可能存在性别偏见。在这项研究中,我们提出了一个严谨的研究性别偏见虹膜呈现攻击检测算法使用大规模和性别平衡的数据库。本文提供了几个有趣的观察,可以帮助建立未来的演示攻击检测算法,目的是公平对待每个demography。此外,本文还提出了一种结合性别协变量分类器的鲁棒虹膜呈现攻击检测算法.所提出的鲁棒分类器不仅减少了不同性别之间的准确性差异,而且提高了PAD系统的整体性能。1. 介绍生物特征识别由于其高准确性和非侵入性的特点,近年来受到了广泛的关注. 在受限环境中,虹膜是用于个人识别的最准确的模态之一[10,14,28,37,54]。虽然虹膜识别算法显示出惊人的性能[36],但它们可以通过呈现攻击工具(PAI)1[13,29](如3D隐形眼镜和2D打印照片[18,52])轻松规避。这些呈现攻击工具是对虹膜识别系统的安全部署的严重关注的原因[7,31]。在文献中,开发1呈现攻击是物理攻击者,其意图通过规避或躲避身份来影响性能(www.iso.org/standard/53227.html)。他们已经成功地捍卫了不同的PAI [2,3,17,22,53]。然而,与最近的文献类似,该文献强调生物识别算法显示出人口统计学偏见[20,39,47,48],发现虹膜呈现攻击检测算法容易受到性别偏见的影响。在最近的工作方等人。[19],已经表明性别偏见影响虹膜呈现攻击检测(iPad)。虽然呈现攻击的准确检测是必不可少的[4,5],但算法的这种偏倚可以用不同的结果来描述,导致对不同人口统计学群体(如男性和女性)的分类错误。例如,女性组中的呈现攻击检测的分类误差图1显示了拟议研究的重要性以及攻击者利用不公平呈现攻击检测算法进行非法访问的影响。拟议的研究有两个方面的贡献:首先,采用性别协变量和接触镜呈现攻击量表对PAD出租的公平性进行研究。其次,我们提出了一个虹膜PAD算法,以解决研究所确定的挑战。简而言之,这项研究的贡献是:• 详细的性别偏见研究是使用在室内和室外环境中采集的大规模眼数据库进行的;• 选择预训练和从头开始训练的CNN架构进行研究,并研究了不同分类器(如支持向量机和随机决策森林)的鲁棒性;• 在对分类器脆弱性评估的基础上,提出了一种鲁棒的虹膜PAD。2. 相关研究在本节中,我们简要概述了生物识别技术中现有的偏见研究以及与虹膜呈现攻击检测算法相关的研究962−−演示文稿(tat)数据库(PAD)系统存在偏差的情况房性别X性别YFake分类为Fake拒绝通过角膜接触镜虹膜生物识别性别X性别Y攻击者什么如何攻击和访问?答:使用性别作为攻击者,系统不太健壮。(b)第(1)款图1.说明偏见对识别系统的影响。(左)在理想情况下,任何性别(X或Y)的虚假图像必须被归类为虚假(欺骗),并且不会被传递(虚线)到系统进行识别。(右)然而,在不公平/有偏见的情况下,一个性别(比如Y)的受攻击图像可能会被归类为真实的,这个人可能会非法访问识别系统。箭头箭头( >)表示断开的连接,例如,在左侧部分中,如果图像被分类为假的,则它不能传递到识别部分。同样,在右侧部分,如果假货被归类为真品,则不会通过PAD拒绝。识别偏差:最近的研究对机器学习算法的偏见和公平性提出了严重的担忧[1,8,25,42,49]。生物识别算法并非不受偏见和公平性问题的影响[40]。 任何机器学习算法中的偏差都可以使用以下术语来广泛描述:(i)数据偏差和(ii)模型/分类器偏差。深度学习算法通常需要大量数据,并且训练数据偏向于一个人口统计可能导致有偏见的训练模型。因此,近来对平衡数据库的需求增加了。Robinson等人[43]已经准备好了具有性别和种族平衡图像等属性的野外数据库。除了创建数据库之外,针对这种缺点的一个快速解决方案是通过增加或移除主要人口统计学的访问样本来使用数据重新采样[16,35,38]。这种算法的缺点可能是在执行欠采样时丢失信息,或者在过采样下增加噪声数据。另一种减少不平衡数据集中偏差的快速解决方案是通过向代表性较低的组分配更高的权重来应用成本敏感学习[9,12]。为了减少模型偏差,在决策中强调反映无偏性的过滤器的重要性是一种可能的解决方案。Nagpal等人[41]已经提出了一种去除偏置敏感滤波器以提高性能的方法。后来,Nagpal et al.[39]还提出了一种分集块来提高性能。Majumdar等人[34]提出了一种基于对抗扰动的算法,通过学习一个唯一的扰动向量来减轻训练数据库中的偏差效应。PAD偏差:在呈现攻击检测领域,关于偏差和可能的解决方案的研究有限,特别是在虹膜PAD中,这是(虹膜)生物识别管道中最关键的组件之一。唯一可用的文献是Fang等人最近进行的研究。[19]关于虹膜呈现攻击检测。作者选择了三种不同的机器学习分类器:(i)LocalBinary Patterns(LBP)一种手工制作的基于特征的算法,配备了线性支持向量机分类器,(ii)VGG-16作为特征提取器,以及用于分类的线性SVM,以及(iii)MobileNeV 3-small使用softmax分类器从头开始训练。结果发现,PAD算法表现出更好的性能男性样本相比,女性样本。然而,被考虑用于测试的攻击图像对于男性类是370个,对于女性类是130个。据观察,不仅本研究的测试集,而且训练集也在性别分布方面不平衡。因此,我们断言,需要使用大型平衡数据库和定义良好的均匀协议进行更彻底的研究,以确定PAD算法中的偏差和公平性问题。3. 虹膜呈现攻击检测流行的虹膜呈现攻击检测算法从传统分类器的手工特征流行的手工图像特征,如局部二进制模式、定向直方图、结构和纹理特征以及支持向量机分类器(SVM),已被应用于检测演示攻击工具[21,23,32]。虽然手工制作的基于特征的算法具有计算优势,但它们对未知数据库和攻击的普遍性是一个严重的问题。为了克服这些问题,研究工作已经开始利用深度卷积神经网络(CNN)作为特征提取器和分类器。受面部PAD融合术成功的启发[6,45],Yadav等人。[50]利用图像特征和CNN的融合提出了一种有效的虹膜呈现攻击检测器。Gupta等人[22]提出了一种新的用于虹膜呈现攻击检测的浅CNN。在多种CNN 架构中,DenseNet通过演示攻击检测生物特征识别假的性别X性别Y假假的被归类为真的拒绝角膜接触镜虹膜生物识别性别Y性别X演示攻击检测生物特征识别963[27]在用作特征提取器和从头开始训练时,虹膜呈现攻击检测都受到了极大的关注Fang et al.[19]还表明CNN的准确性高于手工制作的特征。在这项研究中,我们还研究了分类器在属于特定性别的图像分类中的作用我们断言,有可能某个分类器偏向于特定的性别,从而使整个算法看起来偏向于该性别。如果是这样的话,那么多个分类器可以结合起来,开发一个性别公正的PAD系统。简而言之,这是解决虹膜呈现攻击检测中的数据和模型/分类器偏差的第一项工作。我们使用了以下CNN和分类器来开发虹膜呈现攻击检测系统:3.1. 特征提取器:迁移学习1. VGG-16:类似于Fang et al.[19],我们使用预训练的[15] VGG-16 [46]网络作为特征提取器。在提取FC层的特征之前,先对FC层进行全局池化,得到1× 512维的特征;2. DenseNet:与VGG-16类似,并且基于其在iPad中的流行度[44,51],DenseNet的最后一个全连接层值被用作图像的特征从每幅虹膜图像中提取最终的1×3. ResNet-50 [24]:在ResNet-50架构中,在最终的全连接层之后应用全局池,从而产生1× 2048的特征维度。3.2. 特征提取+分类:从头开始的CNN特征学习器和分类器的多样性对于得出关于公平性的任何强有力的结论是因此,我们还使用了Wide-ResNet-16-8 [55]。与更深的网络相反,该网络使用较低深度的增加的宽度。这有助于显著降低网络参数。该网络使用分类交叉熵损失和softmax分类器从头开始训练。该网络使用自适应学习率进行训练,批量大小设置为32,并使用Adam优化器[30]。我们还利用了浅层和流行的图像分类网络,即AlexNet [33]。该网络由5个卷积层和3个完全连接的层组成。AlexNet与其他网络的区别在于使用大型卷积滤波器和较少的层进行特征学习和分类。AlexNet也使用Wide-ResNet-16-8使用特性本文Fang等[19个]科目81人(40名男性,41名女性)18(14名男性,)4名女性)总图像18,7063,400真实图像9,3191,700攻击图像9,3871,700隐形眼镜4–镜片处理技术可供平衡(蓝色,绿色紫色,棕色)不平衡采集环境室内(受控)户外(无约束)–传感器32表1.虹膜呈现攻击检测中用于偏差研究的数据库特征3.3. 分类器基于不同分类器可能偏向于不同性别类别的说法,在 本 研 究 中 , 我 们 使 用 了 两 个 分 类 器 以 及 Wide-ResNet-16-8和AlexNet的softmax分类器。线性支持向量机(SVM)[11]和随机决策森林(RDF)[26]分类器是在从第3.1节中提到的预训练CNN中提取的特征上训练的4. 数据库和实验协议对于不同的实验,我们使用了由Yadav等人准备的无约束多传感器虹膜呈现攻击(UnMIPA)数据库2。[51]第51段。总的来说,数据库包含18706张图片,真实图片和攻击图片大致平衡。这些图像是从81名受试者中捕获的,其中40名受试者是男性,41名受试者是女性。相同数量的图像属于真实和攻击类和(几乎)相同数量的主题,使数据库成为执行偏倚研究的理想选择。此外,数据库在受控室内(IN)和无约束室外(OUT)环境中捕获,以反映真实世界的条件。使数据库成为良好选择的其他有趣属性是不同数量的采集传感器和隐形眼镜制造商。表1和表2示出了2http://www.iab-rubric.org/index.php/wvu图2.本研究中使用的数据库样本反映了有效研究所需的变化。在室内受控照明环境中捕获第一行图像,并且在室外无约束照明环境设置中捕获第二行图像964性别类Fang等[19个]拟定研究(IN:室内)拟定研究(OUT:户外)火车测试火车测试火车测试男性R.6002501138113711571156A.9203701157115711611160女性R.6002501164116312021202A.2801301190118911871186表2.用于训练的受试者不相交图像的数量,测试对应不同的性别。总共18706个虹膜图像用于实验,相比之下,Fang等人[19]在唯一的研究中使用了3400个R. 和A.代表真实和攻击类,re-missing。室内和室外分别表示受控的室内和不受约束的室外成像环境训练↓测试→室内户外Env.性别男性女性男性女性AlexNet在男性96.4390.0982.0875.88女性84.3188.1869.3968.47出来男性71.2378.6669.8668.76女性62.6964.6362.5266.25Wide-ResNet16-8在男性99.4896.4389.9086.73女性97.8299.7091.4590.28出来男性98.1398.8199.4098.20女性96.5198.2696.8099.20表3.从头开始训练的CNN的虹膜呈现攻击检测性能。该检测器在各个性别的图像上进行训练和测试。IN和OUT分别表示室内和室外成像环境。本研究中使用的数据库的特点和实验分裂,并与方等人的研究中使用的数据库进行比较。[19]第10段。拟议的研究包括公平的分裂方面的图像数量每类(真实与。攻击),按性别(男性与女性)和训练-测试子集。相比之下,Fang et al.使用了高度不平衡的(性别方面的)训练测试分割。为了研究性别偏差,本研究将数据库按被试不相交训练和测试条件进行划分,即,在训练中使用的对象的图像镜片数量及其颜色、采集传感器和成像环境等特性使得所提出的研究在发现隐形眼镜虹膜PAD算法中的偏差问题方面我们利用UnMIPA数据库的大规模性质和不同特点进行了广泛的实验5. 实验结果及分析首先,我们分析了iPad算法的结果,其中CNN模型是从头开始训练的,然后分析了迁移学习架构。此外,本发明还表4.虹膜呈现攻击检测性能的差异(表3值的差异)表明,CNN在哪个性别上训练有利于该性别。例如,使用男性类别的室内图像训练的Wide-ResNet产生3的准确度差异。05%,并在男性班上有更高的表现。准确性的差异大于0%,但这可能是由于模型只在一种性别上训练图3. AlexNet和Wide-ResNet-16-8的虹膜呈现攻击检测性能,当使用男性和女性的图像从零开始训练时。在训练中使用不同数量的两性图像来研究SVM和RDF分类器的偏差。5.1. 从Scratch训练本研究选择了两个CNN,分别是Wide-ResNet- 16-8和AlexNet。据我们所知,在虹膜呈现攻击检测的研究中从未探索过AlexNet [33]和Wide-ResNet [55]的结果见表3。让我们首先讨论对浅层AlexNet架构的有偏见的研究。当在个体性别虹膜图像上训练网络并在所看到的成像环境虹膜图像上测试网络时,网络显示出对它所训练的性别的偏见。例如,当AlexNet模型在男性类别的室内图像上进行训练并在室内图像上进行测试时,它的准确率为96。43%和90。09%的男性和女性虹膜图像,re-crossing。当网络仅在女性类别上训练时,可以观察到类似的准确性差异(表4)。然而,它不能被称为偏见,因为模型本身是在倾斜的数据库或只有一个性别上训练的。CNN训练↓测试→在出来AlexNet在男性6.346.20女性3.870.92出来男性7.431.10女性1.943.73WRN 16 -8在男性3.053.17女性1.881.17出来男性0.681.20女性1.752.40965CNN列车试验在出来VGG16在男性8.976.35女性6.885.23出来男性2.619.80女性5.1810.22ResNet-50在男性10.374.04女性4.761.70出来男性2.759.45女性4.364.49DenseNet在男性6.163.31女性5.882.49出来男性2.748.01女性2.8010.03表5.虹膜呈现攻击检测性能,表6.iPad性能的差异(表5值)mance显示了CNN的性能,该CNN被训练为哪个性别更喜欢那个性别。例如,使用男性类别的室内图像训练的DenseNet产生6的精度差。16%,在室内虹膜图像上测试时,在男性类上具有更高的性能虽然准确率的差异大于0%,但这可能是由于模型只在一种性别上训练。CNN被用作特征提取器,线性SVM被用作分类器。该探测器在不同性别上进行训练和测试。虹膜图像。因此,为了仔细理解性别偏见问题,在接下来的实验中,我们使用了男性和女性的班级形象进行训练。如图3所示,AlexNet和Wide-ResNet都没有显示出任何显著的偏差。例如,当室内(IN)虹膜图像用于Wide-ResNet 16 -8时,该模型产生99. 65%和99。96%的男性和女性虹膜图像,重复。即使在训练中使用男性和女性虹膜图像时也会导致精度差异的另一个协变量是数据移位或改变测试数据特性。例如,当AlexNet在室内环境的虹膜图像上进行训练并在室外(OUT)虹膜图像上进行测试时,它显示出5的准确性差异。49(90. 67%和85。18%)相比,差异为0。54%(99. 08%和99。62%),当测试室内虹膜图像。因此,我们从这些实验中观察到,性别偏见可能不是一个问题,测试数据特征漂移是。5.2. 迁移学习:CNN作为特征提取器在本节中,我们对多个CNN进行了广泛的研究,这些CNN的层数从16层到121层不等,连接类型也不同,连 续 到残 差 。 有 趣的 是 , ResNet 与 其 浅层 对 应 物(即,VGG和更深的对应物,即,DenseNet。主要原因可能是特征向量的维数分别是VGG和DenseNet模型的4倍和2倍。VGG、ResNet和DenseNet的虹膜呈现攻击检测结果如表5所示。类似于图4.使用男性和女性图像的VGG、ResNet和DenseNet特征与线性SVM分类器的虹膜呈现攻击检测性能。网络从零开始训练,正如预期的那样,这些网络显示出对培训对象性别的偏见。例如,当VGG网络在室内男性虹膜图像上训练时,它显示超过8。与女性虹膜图像相比,男性虹膜图像的准确性高93%(表6)。除一种情况外,当训练和测试的性别相同时,观察到了高准确性的因此,为了再次正确理解性别偏见问题,我们现在使用性别虹膜图像进行训练。该实验的结果报告于图4中。当使用VGG模型的特征进行评估时,精度差为1。21%(94. 56%,95。77%)在室外虹膜图像上训练和测试时。有趣的是,差距扩大到2。61%(90.76%,93。37%)当测试数据发生偏移时,即,当在室外虹膜图像上训练但在室内虹膜图像上测试时。训练↓测试→室内户外Env.性别男性女性男性女性VGG-16在男性98.0489.0782.5676.21女性91.6798.5578.0683.29出来男性91.8589.2496.1186.31女性86.1091.2886.0196.23ResNet-50在男性86.5376.1670.1666.12女性80.9585.7171.5069.80出来男性80.6877.9379.9770.52女性74.7279.0873.5778.06DenseNet-121在男性98.0491.8887.8284.51女性92.8098.6882.6085.09出来男性92.1589.4196.3388.32女性89.9792.7786.6196.94966训练↓测试→室内户外Env.性别男性女性男性女性在男性96.0385.3782.5178.64女性86.9695.7581.9182.16两95.8695.4183.3881.41出来男性88.4984.7795.1685.59女性84.3986.6085.2894.97两88.3287.8094.6494.43表7. 的虹膜呈现攻击检测性能DenseNet-121作为特征提取器和RDF用于分类。该检测器在单个性别的图像和组合图像上进行训练。5.3. 主要结论Fang et al.[19]表明性别偏见是虹膜呈现攻击检测中的一个问题。然而,如前所述,数据库的不平衡和有限数量的分类器是得出这样的结论的主要因素。在拟议的研究中,我们使用的数据库比[19]中使用的数据库大得多,并且包含平衡的性别人口统计虹膜图像,进行了实验评估。使用多个深度网络和分类器(如softmax和SVM)进行了实验评估。通过大量的实验,发现性别偏见可能不是一个问题;然而,培训的现象是,换句话说,当网络在特定性别上进行训练时,它们在相同的测试性别上表现出更高的性能。当两种性别虹膜图像都用于训练时,性别之间的准确性差异很低,这表明在算法中缺乏性别偏见另一个引起关注的协变量是习得环境。准确性差异的可能原因可以归因于不同环境中的数据特征差异,如图2所示。5.4. SVM与RDF分类器在虹膜呈现攻击检测(iPad)的文献中,包括偏差研究,通常考虑SVM分类器[13,19]。 为了进一步扩大我们研究的影响,我们考虑了另一种流行的机器学习分类器,即随机决策森林(RDF)[26]。RDF是一种基于集合的方法,其中学习并组合多个弱决策为了分析对RDF分类器的偏差影响,使用了DenseNet功能,与其他网络相比,DenseNet功能表现最好结果报告于表7中。RDF分类器在可见和不可见的环境训练测试设置中对其训练的性别表现出明显的偏见或偏爱。然而,有趣的是,在两种性别都存在的情况下,分类器倾向于男性而不是女性,并且表现出更高的检测性能。表8. DenseNet-121作为特征提取器的虹膜呈现攻击检测性能。当使用两性的平等和不平等图像来研究性别不平衡的影响时,检测器被训练为两性。利用线性支持向量机和RDF分类研究了图像性别平衡的重要性。虽然在大多数情况下,性别之间的表现差异是微不足道的(范围从0。21%比1。97%),这再次提出了一个问题,即当数据集平衡时,性别偏见是否是一个问题令人惊讶的是,训练和测试环境对RDF分类器的偏差分析没有显着影响。在攻击检测性能方面,线性支持向量机分类器与RDF分类器相比具有更好的准确性。例如,在看不见的环境训练测试条件下,SVM分类器的性能比RDF检测器高至少4%5.5. 平衡数据研究Fang et al.[19]得出的结论是,与男性相比,女性产生更高的检测误差。我们通过分析(表1和表2)表明,数据库对“男性”类别存在高度偏见因此,为了详细了解这种现象,我们使用DenseNet以及两个分类器SVM和RDF进行了以下在这项研究中,我们生成了具有不同比例性别图像的训练集:(i)当使用两种性别的平衡虹膜图像时,(i i)男性主导场景,其包含与女性相比大约两倍数量的男性虹膜图像,以及(iii)女性主导场景包括与男性相比大约两倍数量的女性虹膜图像。在此,每种条件下的测试虹膜图像保持相同,以进行公平的比较,并在表训练↓测试→室内户外Env.性别男性女性男性女性男女平等(EMF)在SVM97.7397.8785.9086.81RDF95.8695.4183.3881.41出来SVM92.0793.4595.1695.43RDF88.3287.8094.6494.43女性主导情景(FDS)在SVM96.1698.1286.2786.64RDF93.0795.7083.5582.70出来SVM92.4693.4593.5793.35RDF87.4987.3392.1895.10男性主导情景(MDS)在SVM97.3496.9886.3286.22RDF96.0893.4583.6381.66出来SVM91.7692.7795.1693.72RDF88.3187.3794.5292.63967×2.性别平衡的情况代表了如表2所述的训练图像的使用。而在不平衡的情况下,非攻击性性别的50%图像从其训练集中删除,而另一性别的训练图像保持不变。DenseNet特征提取器与SVM和RDF分类器的结果在男性主导的情况下,DenseNet特征上的分类器对男性类别表现出更高的偏见。在8个条件中,有7个条件男性的准确性略高于女性。令人惊讶的是,在女性占主导地位的情况下,观察到的结果喜忧参半。在令人兴奋的分析中,从表8(通过颜色框)可以看出,SVM分类器偏向于女性类;然而,在性别均衡的个案研究中,RDF类别筛选器倾向于男性类别。这不仅在将可见的图像用于训练和测试时观察到我们断言,其他外部因素,如收购环境可能有更大的作用,在性能变化。6. 鲁棒虹膜PAD算法在这项研究中,我们提出了一个强大的和公平的演示攻击检测算法,通过选择分类器,有利于个人的性别,即使网络的训练使用两种性别。从一组机器分类器,如SVM,RDF,逻辑回归,神经网络,分类器,显示偏向一个性别的选择。换句话说,选择一个有利于男性类别的分类器;而另一个选择的分类器旨在有利于女性类别。分类器使用DenseNet模型的特征进行训练 , 因 为 与 其 他 评 估 的 深 度 CNN ( 包 括 VGG 和ResNet)相比,DenseNet模型是有效所提出的算法的流程图如图5所示。在包含两种性别图像的训练集上,为每个图像计算DenseNet特征表示。之后,通过对混合分类器的评估,发现线性SVM和RDF分类器分别偏向于男性和女性性别属性。所选分类器与表8中报告的结果完全一致。我们假设,这些有偏见的分类器,有很强的信心,在各自的性别融合的信息可以撤销的性别属性的影响因此,反过来,这种废除可以为我们提供一个公平呈现攻击检测分类器。所选择的分类器的预测概率被concate- nated在一起,形成一个维度为n2的得分向量,其中n是训练图像的数量,2表示两个分类器在单个图像上的得分。一旦获得融合的分数向量,PAD分类器被训练用于最终的鲁棒虹膜呈现攻击检测器。在测试时,图像通过第一级火车测试分类器男性女性Diff.在在SVM-L197.7397.870.14RDF-L195.8695.420.44SVM-L297.8298.090.27出来SVM-L185.9086.810.91RDF-L183.3881.411.97SVM-L288.6988.270.42出来在SVM-L192.0793.451.38RDF-L188.3287.800.52SVM-L293.9894.470.49出来SVM-L195.1695.430.37RDF-L194.6494.430.21SVM-L295.3795.520.15表9.虹膜呈现攻击检测准确率(%)的建议去偏算法。 L1和L2代表 分类阶段如图5所示。所提出的算法(SVM-L2)的鲁棒性可以从未知环境下的训练测试条件下的准确性的显着改善中Diff.显示了两种性别之间的准确性差异,这表明所提出的L2分类器对两种性别都具有同等重要性,并且比L1分类器显著无偏差。(L1)分类器(SVM和RDF),其产生传递到第二级(L2)PAD分类器以用于图像的最终预测的初始决策概率表9示出了最佳性能CNN架构上的检测准确度,即,DenseNet功能,当使用第一级SVM和RDF分类器和第二级(建议)SVM分类器。实验结果表明,当使用可见环境图像进行测试时,由于精度差异较小,所提出的方法表现出较低的改进;然而,在看不见的环境测试设置中,所提出的多级融合算法产生了显著的改进,并证明了性别影响无效。例如,当在训练中使用室内(IN)图像并且在测试中使用室外(OUT)图像时,级别1的最佳分类器产生85。90%,86。对男性和女性类的检测准确率分别为81%当建议的多级分类器被使用时,准确率提高到88。69%,88。男女班分别为27%。有趣的是,与第一级性别偏好分类器相比,第二级分类器中男性和女性之间的准确性差异接近于零。实验结果表明,该多层次融合算法具有较好的准确性,消除了PAD中性别属性的影响,提高了整体性能,具有跨环境推广性,且图6示出了性别偏好等级1分类器和去偏等级2提出的分类器的等错误率与检测准确性类似,在大多数情况下,当性别特异性分类器的2级融合是968最喜欢的性别-1iPad分类器池MFMFiPad分类器房虹膜图像卷积神经网络iPad分类器池最喜欢的性别-2M融合F公平:没有最喜欢的性别假图5.基于特定性别协变量分类器融合的鲁棒虹膜呈现攻击检测算法。在分类器池中,选择有利于个体性别协变量的分类器,并将它们的预测概率融合在一起以训练没有性别偏见协变量的分类器。图6.所提出的去偏/公平虹膜呈现攻击检测(iPad)算法的EER(%)左图和右图分别显示了iPad在可见和不可见环境下的训练测试2级SVM分类器表现出显着的改善,特别是当测试环境是从训练环境中看不到这确立了所提出的解决方案的稳健性执行。7. 结论和影响本文对多虹膜呈现攻击检测算法进行了详细的性别偏见研究通过研究发现,在性别均衡训练的情况下,虹膜呈现攻击检测算法中可能不存在性别偏见问题。然而,其他因素(如图像采集环境)在性别之间存在准确性差异方面发挥了重要作用。本文还提出了一种鲁棒的虹膜呈现攻击检测算法,以弥补性别之间的准确性差异。我们想强调的一个重要观点是,需要在受控和不受约束的环境中捕获多个数据库从这项研究中可以看出,跨环境的训练测试在检测中产生了额外的挑战,并且缺乏多个数据库显着限制了该领域的进展。机器学习模型中的偏见/公平性的影响是生物识别和COM等领域的主要关注点。电脑视觉虽然这项研究的重点是虹膜PAD,偏见/公平性问题的其他防御算法保护关键的安全机制是一个严重的威胁。因此,我们断言,作为第一个大规模的研究有很大的潜力,以推进无偏见的未来研究。8. 确认M. Vatsa通过Swarna-Jayanti奖学金获得部分支持。引用[1] 亚马逊抛弃AI招聘工具的青睐男 人为技 术工 作 ,2018.https://www.theguardian 。 ©2018-2019 www.technology.com版权所有亚马逊招聘引擎。[2] Akshay Agarwal,Afzel Noore,Mayank Vatsa和Richa Singh。通过收缩-扩展cnn增强虹膜呈现攻击检测。模式识别信函,159:61969[3] Akshay Agarwal,Afzel Noore,Mayank Vatsa和Richa Singh。广义隐形眼镜虹膜呈现攻击检测。IEEE Transactions on Biometrics,Behavior,andIdentity Science,第1[4] Akshay Agarwal,Akarsha Sehwag,Richa Singh和Mayank Vatsa。基于图像变换的欺骗性人脸呈现攻击在IEEE BigMM,第373-382页[5] Akshay Agarwal、Akarsha Sehwag、Mayank Vatsa和Richa Singh。欺骗保护者:欺骗人脸呈现攻击检测算法。在IEEE ICB,第1-6页[6] Akshay Agarwal,Richa Singh,and Mayank Vatsa.面对反欺骗使用haralick功能。在IEEE BTAS,第1-6页[7] Sarah E Baker,Amanda Hentz,Kevin W Bowyer和Patrick J Flynn。非美容处方隐形眼镜导致虹膜识别性能下降。计算机视觉和图像理解,114(9):1030[8] Tolga Bolukbasi,Kai-Wei Chang,James Y Zou,Venkatesh Saligrama,and Adam T Kalai.男人之于电脑程序员就像女人之于家庭主妇?去偏置字嵌入。在NeurIPS,第4349[9] Kaidi Cao , Colin Wei , Adrien Gaidon , NikosArechiga,and Tengyu Ma.使用标签分布感知的边际损失学习不平衡数据集。NeurIPS,2019。[10] Yifeng Chen,Cheng Wu,and Yiming Wang.是否正常化?使用动态编程实现更鲁棒的虹膜识别IVC,107:104112,2021.[11] 科琳娜·科尔特斯和弗拉基米尔·瓦普尼克支持向量网络。Machine learning,20(3):273[12] Yin Cui , Menglin Jia , Tsung-Yi Lin , YangSong,and Serge Belongie.基于有效样本数的类平衡损失。在IEEE/CVF CVPR,第9268-9277页[13] 亚当·查卡和凯文·W·鲍耶。用于虹膜识别的呈现即时检测:对最先进技术的评估。ACM CSUR,51(4):1 -35,2018。[14] 约翰·道格曼。虹膜识别的新方法。IEEE TSMC-B,37(5):1167[15] Jia Deng,Wei Dong,Richard Socher,Li-Jia Li,Kai Li,and Li Fei-Fei. Imagenet:一个大规模的分层图像数据库。在IEEE CVPR,第248-255页,2009中。[16] 克里斯·德拉蒙德阶级不平衡和成本敏感性:为什么欠采样胜过过采样。KDDW,2003年。[17] Meiling Fang , Naser Damer , Fadi Boutros ,Florian Kirchbuchner,and Arjan Kuijper.基于微条纹 分 析 的 跨 数 据 库 图 像 和 视 觉 计 算 , 105 :104057,2021。[18] Meiling Fang , Naser Damer , Fadi Boutros ,Florian Kirchbuchner,and Arjan Kuijper.基于注意力和深度像素二进制监督网络的虹膜呈现攻击检测。在IEEE/IAPR IJCB,第1-8页[19] MeilingFang,NaserDamer,FlorianKirchbuchner,and Arjan Kuijper.虹膜识别系统呈现 攻 击 检 测 中 的 人 口 统 计 偏 差 。 在 IEEEEUSIPCO,第835-839页[20] Sixue Gong,Xiaoming Liu,and Anil K Jain.联合去偏人脸识别和人口统计属性估计。在ECCV,第330-347页[21] Diego Gragnaniello , Giovanni Poggi , CarloSansone,and Luisa Verdoliva.用于生物欺骗检测的局部描述器的研究IEEE TIFS,10(4):849[22] Mehak Gupta、Vishal Singh 、Akshay Agarwal、Mayank Vatsa和Richa Singh。跨数据库环境下的广义虹膜呈现攻击检测算法。2020年,《国际公法》[23] Priyanshu Gupta,Shipra Behera,Mayank Vatsa和Richa Singh。利用指纹攻击的虹膜欺骗。在IEEEICPR,第1681-1686页[24] Kaiming He,Xiangyu Zhang,Shaoying Ren,andJian Sun.用于图像识别的深度残差学习。在IEEECVPR,第770-778页[25] Lisa Anne Hendricks , Kaylee Burns , KateSaenko,Trevor Darrell和Anna Rohrbach。女性也可 以 滑 雪 : 克 服 字 幕 模 型 中 的 偏 见 。 参 见ECCV,第771-787页[26] 天锦浩随机决策森林。在IEEE IC-1995,第1卷,第278-282页中[27] Gao Huang , Zhuang Liu , Laurens Van DerMaaten,and Kilian Q Weinberger.密集连接的卷积网络。在IEEE CVPR,第4700-4708页,2017年。[28] Anil K Jain,Patrick Flynn和Arun A Ross。生物识别手册。Springer Science Business Media,2007.[29] Vishi Jain 、 Akshay Agarwal 、 Richa Singh 、Mayank Vatsa和Nalini Ratha。通过随机滤波噪声的鲁棒虹膜呈现即时检测。在IEEE ICPR,第1-7页[30] Diederik P Kingma和Jimmy Ba。Adam:随机最佳化 的 方 法 。 arXiv 预 印 本 arXiv : 1412.6980 ,2014。970[31] Naman Kohli 、 Daksha Yadav 、 Mayank Vatsa 和Richa Singh。重新审视虹膜识别与彩色美容隐形眼镜。在IEEE ICB,第1-7页,2013年。[32] Naman Kohli 、 Daksha Yadav 、 Mayank Va
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- 中文翻译Introduction to Linear Algebra, 5th Edition 2.1节
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功