IDIAP研究所高级研究员塞巴斯蒂安·马塞尔（Sebastien Marcel）呼吁将捐款包括在第三版生物识别抗泡沫手册。
施普林格计划于2021年底在2021年末发布第三版《生物识别技术抗烟道手册》（介绍攻击检测和脆弱性评估），该书发布了第一版和第二版。LinkedIn帖子由马塞尔（Marcel）。马塞尔写道，这些版本非常成功，下载了近50,000章。
马塞尔（Marcel）将成为手册的编辑，以及马德里大学的朱利安·弗雷雷斯（Julian Fierrez）和Eurecom的尼古拉斯·埃文斯（Nicholas Evans）。
该手册将展示各种生物识别方式的演示攻击检测的最新攻击检测，包括面部（视觉，近红外和热力学），语音，指纹，虹膜，静脉，步态，手写或签名以及行为方式和EEG Bioterics等新兴方式。
新章节将介绍有关PAD感应和处理的新研究，以及新技术，比较研究，文献和标准化工作的调查，公共数据集以及新的评估和评估方法。还将考虑有关重要的现实垫应用程序的提交。
研究贡献必须可再现。
要求作者在2021年1月29日之前提出简洁的提议，以表达他们的兴趣。章节将在2021年2月26日之前选出，并为6月30日的作者提供最后的截止日期。
视觉变压器发现对零击垫有效
也已发表了对Marcel和Anjith George（也是IDIAP的Anjith George）对视觉变压器对“零射击反欺骗”的有效性的研究研究，这也提出了一种提高检测新欺骗类型的有效性的方法。
研究人员在论文中指出，许多PAD系统无法充分概括，无法在未经培训的环境中检测到看不见的攻击或工作。关于视觉变压器对零射击的有效性。' “零射”学习是指针对未在培训中使用的课程的机器学习测试。
在针对HQ-WMCA和SIW-M数据集进行测试时，该方法的表现要优于“较大边距”的最先进技术，还提高了跨数据库的性能。
乔治和马塞尔使用了从预先训练的视觉变压器模型中进行的转移学习。使用MTCNN算法，对齐的面部和在预处理过程中裁剪的图像进行了面部检测和地标定位，以及用于引入自我注意力的层的变压器模型，“使用整个序列中的信息中扫描和更新每个元素。” Dosovitskiy描述的视觉变压器网络等。今年早些时候，根据验证集中的最小损失，从训练的人中选择了最佳模型。
基于Resnetpad，Densenetpad和DeeppixBis的模型用于与研究人员到达的Vitranzfas框架进行比较。在针对BPCER设置为1％的HQ-WMCA数据集的测试时，新框架的ACER为9.2，标准偏差为7.99％，而ACER为15.55，而DeeppixBis的标准偏差为15.76％，这是下一个最佳结果。对于SIW-M数据集，这种新方法的平均eer为6.72，另加或减去5.66％，同样超过其他模型。
研究人员总结说：“从本质上讲，仅对PAD任务进行预训练的视觉变压器模型就足以达到最先进的性能。” “提出的方法在两个公开可用数据集的看不见攻击方案中实现了最先进的表现。除了在看不见的攻击方面出色的表现外，专业的方法还超过了交叉数据库评估中的最新方法，这表明了拟议方法的效率，可以在两种范围内均无视野攻击和唐犬攻击和唐犬攻击。”
