AttackNet：通过定制卷积神经网络架构增强生物特征安全性的活体检测
计算机视觉与模式识别
2024-04-02 v2 密码学与安全
摘要
生物特征安全是现代身份验证和认证系统的基石，其中生物特征样本的完整性和可靠性至关重要。本文介绍了AttackNet，一种定制的卷积神经网络架构，精心设计用于对抗生物特征系统中的欺骗威胁。该模型基于深度学习方法，提供分层防御机制，从低级特征提取无缝过渡到高级模式识别。三个独特的架构阶段构成了模型的核心，每个阶段都基于精心选择的激活函数、归一化技术和丢弃层，以确保对对抗性攻击的鲁棒性和弹性。在多个数据集上对我们的模型进行基准测试证实了其能力，展示了与当代模型相比优越的性能指标。此外，详细的比较分析强调了模型的有效性，与当前最先进的方法进行了对比。通过迭代优化和明智的架构策略，AttackNet凸显了深度学习在保护生物特征安全未来方面的潜力。
引用
@article{arxiv.2402.03769,
title = {AttackNet: Enhancing Biometric Security via Tailored Convolutional Neural Network Architectures for Liveness Detection},
author = {Oleksandr Kuznetsov and Dmytro Zakharov and Emanuele Frontoni and Andrea Maranesi},
journal= {arXiv preprint arXiv:2402.03769},
year = {2024}
}