Show simple item record

dc.contributor.authorSouza, Gustavo Botelho de
dc.date.accessioned2019-08-05T19:33:07Z
dc.date.available2019-08-05T19:33:07Z
dc.date.issued2019-05-21
dc.identifier.urihttps://repositorio.ufscar.br/handle/ufscar/11609
dc.description.abstractBiometrics emerged, in the last decades, as a robust and convenient solution for security systems. However, despite the higher difficulty to circumvent the biometric applications, nowadays, criminals are developing attacks, known as spoofing or presentation attacks, precisely simulating biometric traits of legal users, such as the facial image with high-definition printed photographs. Among the main biometric traits, face is a promising one given its high universality (everyone has a face) and non-intrusive capture. Despite all this, face recognition systems are the ones that most suffer with such frauds given the high availability of facial images of people in the worlwide computer network. In this context, face spoofing detection techniques must be developed and integrated to the traditional face recognition applications in order to preserve their robustness in real scenarios. Deep Learning based methods have presented state-of-the-art performances in many areas, including face spoofing detection. However, the methods proposed in the literature so far present high computational costs, being not feasible in real situations, with significant hardware restrictions. In this context, in this thesis, efficient architectures of deep neural networks for face spoofing detection are proposed. Among the proposed approaches, modifications in the architectures of the Restricted Boltzmann Machines (RBM), generative and efficient models turned into deep discriminative neural networks, as well as modifications in the architecture of the Convolutional Neural Networks (CNN), expanding them in width instead of depth, and a novel training algorithm for CNNs, able to capture local spoofing cues of different parts of the faces, allowed a significant reduction on the amount of parameters and operations required for processing the facial images, as well as a faster convergence of the deep neural networks, allowing them to reach accuracy results, in attack detection, compatible with the state-of-the-art, at lower computational costs.eng
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)por
dc.language.isoporpor
dc.publisherUniversidade Federal de São Carlospor
dc.rights.uriAcesso abertopor
dc.subjectAtaques de apresentaçãopor
dc.subjectReconhecimento facialpor
dc.subjectBiometriapor
dc.subjectMáquinas de Boltzmann restritaspor
dc.subjectRedes neurais de convoluçãopor
dc.subjectAprendizado de máquina em profundidadepor
dc.subjectEficiência computacionalpor
dc.subjectPresentation attackseng
dc.subjectFace recognitioneng
dc.subjectBiometricseng
dc.subjectRestricted Boltzmann machineseng
dc.subjectConvolutional neural networkseng
dc.subjectDeep learningeng
dc.subjectComputational efficiencyeng
dc.subjectSpoofingeng
dc.titleDetecção de ataques a sistemas de reconhecimento facial utilizando abordagens eficientes de aprendizado de máquina em profundidadepor
dc.title.alternativeAttack detection in face recognition systems using efficient deep learning based approacheseng
dc.typeTesepor
dc.contributor.advisor1Marana, Aparecido Nilceu
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/6027713750942689por
dc.contributor.advisor-co1Papa, João Paulo
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/9039182932747194por
dc.description.resumoA Biometria despontou nas últimas décadas como uma robusta solução para os sistemas de segurança. Entretanto, apesar da maior dificuldade em burlar os sistemas biométricos, nos dias atuais, criminosos vêm desenvolvendo ataques, conhecidos como spoofing ou ataques de apresentação, simulando com precisão características biométricas de usuários válidos, como a imagem facial por meio de fotografias impressas em alta definição. Dentre as principais características biométricas, a face se apresenta como uma das mais vantajosas dada sua alta universalidade (todas as pessoas a possuem) e sua extração não intrusiva. Todavia, os sistemas de reconhecimento facial são os mais vulneráveis aos ataques de apresentação dada a alta disponibilidade de imagens faciais, hoje, na rede mundial. Neste contexto, técnicas anti-spoofing precisam ser desenvolvidas e integradas aos sistemas de reconhecimento pela face de forma que possam continuar operando em cenários reais. Métodos de Aprendizado de Máquina em Profundidade têm obtido resultados estado-da-arte em muitas áreas, inclusive na detecção de spoofing facial. Entretanto, os algoritmos propostos na literatura para tal fim se valem de redes neurais bastante profundas e complexas, sendo muito custosos, computacionalmente, e inviabilizando suas aplicações em ambientes com maiores restrições de hardware. Neste sentido, nesta tese são propostas novas arquiteturas de Aprendizado em Profundidade para detecção eficiente de spoofing facial. As abordagens propostas, dentre elas, adaptações nas Máquinas de Boltzmann Restritas (Restricted Boltzmann Machines - RBM), modelos neurais generativos enxutos convertidos em redes neurais discriminativas profundas, mudanças na arquitetura das Redes Neurais de Convolução (Convolutional Neural Networks - CNN), expandindo-as em largura ao invés de profundidade, bem como um novo algoritmo de treinamento para CNNs capaz de capturar informações de spoofing locais nas faces, possibilitaram reduzir a quantidade de parâmetros e de operações necessárias no processamento das imagens faciais e agilizar a convergência das redes neurais durante seus treinamentos, propiciando uma detecção de ataques de apresentação com taxas de acurácia compatíveis com o estado-da-arte, porém com menores custos computacionais.por
dc.publisher.initialsUFSCarpor
dc.publisher.programPrograma de Pós-Graduação em Ciência da Computação - PPGCCpor
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAOpor
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpor
dc.description.sponsorshipIdCAPES PDSE: 88881.132647/2016-01por
dc.ufscar.embargoOnlinepor
dc.publisher.addressCâmpus São Carlospor
dc.contributor.authorlatteshttp://lattes.cnpq.br/2368834665313763por


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record