Original title: Klasifikace živosti tváří s detekcí dat mimo distribuci
Translated title: Face Anti-Spoofing with Out-of-distribution Detection
Authors: Češka, Petr ; Vaško, Marek (referee) ; Špaňhel, Jakub (advisor)
Document type: Master’s theses
Year: 2024
Language: cze
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [cze] [eng]
Cílem této diplomové práce je zvýšit přesnost modelů pro klasifikaci živosti tváří založených na obrazovém Transformeru při odhalování prezentačních útoků. Diplomová práce využívá detekci dat mimo distribuci k odfiltrování obrázků, které se příliš liší od tréninkové sady dat označovaných jako data v distribuci. Zkoumá se, jak úspěšně různé metody identifikují rozdílné distribuce dat a jak odfiltrování dat mimo distribuci na základě těchto metod ovlivňuje přesnost modelu. Pomocí relativní Mahalanobisovy vzdálenosti je možné dosáhnout hodnoty AUROC 97.6 % při rozlišování dat v distribuci a mimo ni. Odfiltrováním obrázků, které by neměly být klasifikovány, se zvýší přesnost všech testovaných modelů nad 99.9 %. To může poskytnout další vrstvu zabezpečení pro aplikace proti útokům využívajícím podvržení tváří. This thesis aims to improve the accuracy of Vision Transformer-based face anti-spoofing models in detecting presentation attacks. The thesis uses out-of-distribution detection to filter out images that are too different from the training data, referred to as in-distribution. It examines how successful different methods are in identifying different data distributions, and how the filtering of out-of-distribution data based on these methods affects the accuracy of the model. Using the relative Mahalanobis distance, an AUROC of 97.6% can be achieved when distinguishing between in-distribution and out-of-distribution data. Filtering out images that should not be classified increases the accuracy of all tested models to over 99.9%. This can provide an additional layer of security for applications against face spoofing attacks.
Keywords: Anti-Spoofing; Biometric Security; Data Filtering; Deep Neural Networks; Face Liveness Detection; Image Processing; Out-Of-Distribution Detection; Relative Mahalanobis Distance; Spoofing; Vision Transformer; Anti-spoofing; Biometrická bezpečnost; Detekce dat mimo distribuci; Detekce podvržených tváří; Filtrování dat; Hluboké neuronové sítě; Klasifikace živosti tváře; Obrazový Transformer; Relativní Mahalanobisova vzdálenost; Spoofing; Zpracování obrazu

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: https://hdl.handle.net/11012/248560

Permalink: http://www.nusl.cz/ntk/nusl-617985


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses