A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Discrimination between Genuine and Cloned Gait Silhouette Videos via Autoencoder-Based Training Data Generation Discriminação entre vídeos de silhuetas de marcha genuínos e clonados por meio da geração de dados de treinamento com base em autoencoder

Yuki HIROSE, Kazuaki NAKAMURA, Naoko NITTA, Noboru BABAGUCHI

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Os ataques de falsificação são uma das maiores preocupações para a maioria dos sistemas de reconhecimento biométrico. Este será também o caso do reconhecimento de marcha baseado em silhueta num futuro próximo. Até agora, felizmente, o reconhecimento da marcha esteve fora do escopo dos ataques de falsificação. No entanto, está a tornar-se uma ameaça real com o rápido crescimento e disseminação de técnicas de geração multimédia baseadas em redes neurais profundas, que permitirão aos atacantes gerar um vídeo falso de silhuetas de marcha que se assemelham ao movimento de caminhada de uma pessoa alvo. Referimo-nos a essas silhuetas falsas geradas por computador como clones de silhueta de marcha (GSCs). Para lidar com a ameaça futura causada pelos GSCs, neste artigo, propomos um método supervisionado para discriminar GSCs de silhuetas genuínas de marcha (GGSs) que são observadas em pessoas reais caminhando. Para treinar um bom discriminador, é importante coletar conjuntos de dados de treinamento de GGSs e GSCs que não difiram entre si em nenhum outro aspecto além da genuinidade. Para tanto, propomos gerar um conjunto de treinamento de GSCs a partir de GGSs, transformando-os usando múltiplos autoencoders. Os GSCs gerados são usados ​​juntamente com seus GGSs originais para treinar o discriminador. Em nossos experimentos, o método proposto alcançou precisão de reconhecimento de até 94% para diversos conjuntos de dados de teste, o que demonstra a eficácia e a generalidade do método proposto.

Publicação
IEICE TRANSACTIONS on Information Vol.E102-D No.12 pp.2535-2546
Data de publicação
2019/12/01
Publicitada
2019/09/06
ISSN online
1745-1361
DOI
10.1587/transinf.2019EDP7042
Tipo de Manuscrito
PAPER
Categoria
Reconhecimento de Padrões

autores

Yuki HIROSE
  Osaka University
Kazuaki NAKAMURA
  Osaka University
Naoko NITTA
  Osaka University
Noboru BABAGUCHI
  Osaka University

Palavra-chave