핵심 개념
얼굴 유사성이 높은 경우에도 효과적으로 차등 형태 변형 공격을 탐지할 수 있는 모듈러 방법론 제안
초록
이 논문에서는 차등 형태 변형 공격 탐지(D-MAD) 시나리오에 대한 새로운 접근법을 제안한다. 기존 D-MAD 방법은 문서 이미지와 범죄자의 실제 이미지만을 비교하지만, 제안하는 방법은 문서 이미지와 공범자의 실제 이미지도 비교한다. 이를 통해 문서 발급 단계에서도 D-MAD 기술을 활용할 수 있으며, 공범자 탐지도 가능해진다.
제안하는 ACIdA 모델은 3개의 모듈로 구성된다:
- 시도 유형 분류 모듈: 입력 이미지 쌍이 범죄자, 공범자, 진짜 시도 중 어떤 것인지 분류
- 아이덴티티-아티팩트 모듈: 아이덴티티 특징과 아티팩트 분석을 결합하여 형태 변형 탐지
- 아이덴티티 모듈: 아이덴티티 비교만을 이용한 형태 변형 탐지
이 3개 모듈의 출력을 가중 평균하여 최종 형태 변형 탐지 점수를 산출한다.
제안 방법은 기존 방법보다 우수한 성능을 보였으며, 특히 공범자 시나리오에서 큰 성능 향상을 보였다. 또한 FVC-onGoing 벤치마크에서도 우수한 일반화 성능을 보였다.
통계
공범자 시나리오에서 제안 모델의 EER은 0.102, B0.05는 0.192, B0.01은 0.333이다.
범죄자 시나리오에서 제안 모델의 EER은 0.023, B0.05는 0.010, B0.01은 0.027이다.
전체 시나리오에서 제안 모델의 EER은 0.070, B0.05는 0.105, B0.01은 0.280이다.
인용구
"얼굴 유사성이 높은 경우 기존 D-MAD 방법의 성능이 크게 저하된다."
"제안하는 ACIdA 모델은 아이덴티티 특징과 아티팩트 분석을 결합하여 높은 유사성에서도 우수한 성능을 보인다."
"제안 모델은 기존 D-MAD 방법보다 전반적으로 우수한 성능을 보였으며, 특히 공범자 시나리오에서 큰 성능 향상을 보였다."