一個新研究論文評估生物識別樣本的可耐度檢測模型，重點是跨數據庫方案的性能。題為“比較生物識別分析的跨數據庫livesice檢測：見解”，該論文於2023年11月在烏克蘭的利維夫發表，由哈爾基夫大學，馬爾凱理工大學和意大利的Macerata大學的作者發表。
該論文說，在跨數據庫情景中檢測到“以其複雜性和現實世界相關性臭名昭著的測試範式”。
“在一個生物識別安全的時代，是現代的基石身份驗證系統，確保這些生物識別樣本的真實性至關重要。
作者的方法深入研究了各種LIVICEST模型的性能指標，包括一半的總錯誤率（HTE），錯誤的接受率（FAR）和錯誤拒絕率（FRR）。但是真正的測試LIVISINE檢測他們說，機制是它們在各種情況下的強大和適應性。數據集之間可能存在很大的差距，即對LIVISE檢測進行了訓練和部署其部署的檢測。對於生物識別系統，賭注特別高：一個在一個數據庫上訓練的系統可能會在該特定數據上完美地執行，但是當遇到不同的欺騙技術或人口統計學分佈時，它會發揮作用。
作者說，該解決方案是一個跨數據庫測試範式。
數據集說明各種策略和條件
該研究使用五個不同的數據集評估面部表現攻擊檢測（PAD）。自定義有機矽面膜攻擊數據集（CSMAD），由IDIAP研究所，包括來自14個受試者的面部生物識別數據，包括真正的表現和自定義有機矽面膜攻擊。 3D掩碼攻擊數據庫（3DMAD）包含76,500幀，有17個人，使用微軟Kinect傳感器的真實訪問和3D面具欺騙攻擊的深度，包括通過那就是myface.com。 IDLAP還提供了VIS和近紅外（NIR）頻譜圖像的多光譜欺騙數據庫（MSSPOOF）以及來自21個受試者的Replay-Ittack Database，這是一個2D面部視頻數據庫，該數據庫是1,300個在各種照明條件下的1,300個真實訪問和攻擊次數的真實訪問和攻擊。
最後，作者使用了自己的數據集，其中包括4,600多個2D面部圖像和用智能手機拍攝或從互聯網下載的視頻，主要是YouTube。
結果強調了跨數據庫測試的必要性
在使用的數據集中，3DMAD在初始測試中取得了最好的結果，證明了“所有指標的無可挑剔的性能”。同時，CSMAD數據集提出了重大挑戰。 ”
“跨性能的變化數據集它強調了訓練魯棒檢測模型中各種數據表示的關鍵性。雖然有些數據集（例如3DMAD）顯示出幾乎完美的結果，但其他類似CSMAD之類的數據集則揭示了潛在的脆弱性。我們的發現強調了全面評估的重要性以及跨數據庫測試的必要性。 ”
當涉及跨數據庫測試時，“在其本機數據集上表現出高療效的幾種模型在受到外部來源數據的影響時遇到了重大挑戰。”作者說，這是一個危險信號，顯示“如果對特定數據集特徵過度調整或偏見，則可能無法在更廣泛的生物識別變化中保持性能奇偶性。”
本文論點的關鍵是，必須使用傳統評估方法以外的跨數據庫測試來確保可靠和適應能力的檢測。它說：“通過將模型暴露於一系列的生物識別數據集中，我們可以發現必不可少的見解對它們的真正魯棒性和概括能力，從而為未來提供了更可靠，更安全的生物識別驗證系統。” “儘管我們的模型在某些情況下表現出了值得稱讚的表現，但跨數據庫測試中觀察到的不一致闡明了未來研究的道路。持續進行完善livess的旅程正在進行中，充滿了挑戰，但充滿了機會。欺騙技術的發展，我們的防禦機制也必須使它成為一個永久動態的研究領域。 ”
