应用于虹膜活体检测的 CNN 超参数调优
计算机视觉与模式识别
2020-03-03 v1
摘要
虹膜纹理因其高度的稳定性和唯一性而显著推动了生物特征识别领域的发展。此类物理特征在安防及其他相关领域发挥了重要作用。然而，呈现攻击（也称为欺骗技术）可被用于通过打印图像、人造眼和带纹理的隐形眼镜等伪造物绕过生物识别系统。为提升这些系统的安全性，已提出许多活体检测方法，并于 2013 年发起首届国际虹膜活体检测竞赛以评估其有效性。本文中，我们对中国科学院提交至 2017 年第三届虹膜活体检测竞赛的 CASIA 算法进行超参数调优。所提出的修改带来了整体改进，在合并数据集评估中攻击呈现分类错误率（APCER）为 8.48%，真实呈现分类错误率（BPCER）为 0.18%。我们还评估了其他阈值以尝试降低评估数据集上 APCER 与 BPCER 之间的权衡，并取得了成功。
引用
@article{arxiv.2003.00833,
title = {CNN Hyperparameter tuning applied to Iris Liveness Detection},
author = {Gabriela Y. Kimura and Diego R. Lucio and Alceu S. Britto and David Menotti},
journal= {arXiv preprint arXiv:2003.00833},
year = {2020}
}
备注
Accepted for presentation at the International Conference on Computer Vision Theory and Applications (VISAPP 2020)