Publisher

ITHBITHB

Journal Jurnal TelematikaJurnal Telematika Abstract

Penggunaan biometrik wajah untuk memperoleh akses suatu sistem keamanan adalah hal yang lazim ditemukan dalam perangkat komunikasi/komputasi. Walaupun demikian, kemudahan ini berakibat kepada kerentanan terjadinya penerobosan ke dalam sistem keamanan, di mana citra wajah dapat dipalsukan dengan memanfaatkan foto atau video seseorang yang memiliki hak akses. Hal ini dapat diperburuk dengan tersedianya foto atau video seseorang di media sosial. Sistem face anti-spoofing (FAS) adalah suatu sistem yang penting untuk mendeteksi apakah citra masukan adalah citra riil atau citra palsu dalam suatu sistem biometrik yang menggunakan informasi citra wajah. Banyak metode yang sudah digunakan untuk merealisasikan sistem ini, baik dengan pendekatan berbasis metode hand-crafted maupun deep learning (DL). Walaupun demikian, penelitian mengenai perbedaan distribusi antara dataset uji dengan dataset latih masih jarang dilakukan. Artikel ini membahas penggunaan model berbasis deep learning (DL) untuk aplikasi face anti-spoofing (FAS). Penelitian ini mengimplementasikan model menggunakan estimasi peta kedalaman untuk menemukan fitur diskriminatif dan generative adversarial network (GAN) untuk mengatasi isu perbedaan distribusi yang menggunakan pendekatan berupa pembangkitan (pembentukan) data. Untuk model yang diimplementasikan dengan skenario simulasi intraset, hasil pengujian untuk dua dataset publik, yaitu NUAA dan CASIA, memberikan hasil terbaik dari segi metrik half total error rate (HTER), berturut-turut 2,97% dan 2,7%. Sementara simulasi untuk adanya perbedaan antara karakteristik dataset uji dengan dataset latih, hasil dengan menerapkan GAN untuk meningkatkan kemampuan generalisasi model, dapat menurunkan bona fide presentation classification error rate (BPCER) sebesar 9,75%.

Conclusion

Tulisan ini membahas tentang bagaimana mengatasi adanya perbedaan (gap) distribusi dari dataset latih dan dataset uji untuk persoalan face anti-spoofing (FAS).Ekstraksi ciri untuk mendeteksi spoofing adalah dengan mencari peta kedalaman citra masukan.Pendekatan yang digunakan adalah dengan memakai metode data generation dan diimplementasikan dengan mengadopsi model GAN.Hasil yang diperoleh khususnya untuk adanya perbedaan distribusi dapat menurunkan metrik BPCER hingga sebesar 9,75% dan HTER 4,87% dengan data latih NUAA dan IDIAP replay attack, ditambah data hasil GAN serta dataset CASIA sebagai data uji.Dalam penelitian selanjutnya, bisa diujikan skenario pendekatan selain data generation sebagai sarana untuk mengatasi isu perbedaan distribusi antara dataset uji dengan dataset latih, seperti learning strategy dan representation learning atau mengkombinasikan ketiga pendekatan tersebut.

Future Research

Berdasarkan penelitian ini, terdapat beberapa saran penelitian lanjutan yang dapat dikembangkan. Pertama, perlu dilakukan eksplorasi lebih lanjut mengenai arsitektur GAN yang paling efektif untuk menghasilkan data sintetis yang representatif, dengan mempertimbangkan variasi kondisi pencahayaan, pose wajah, dan jenis serangan spoofing yang berbeda. Kedua, penelitian dapat difokuskan pada pengembangan metode pelatihan yang adaptif, yang secara otomatis menyesuaikan parameter model berdasarkan karakteristik dataset yang digunakan, sehingga meningkatkan kemampuan generalisasi model pada domain yang belum pernah dilihat sebelumnya. Ketiga, perlu dilakukan studi komparatif antara pendekatan data generation dengan metode lain seperti transfer learning atau domain adaptation, untuk mengidentifikasi kombinasi teknik yang paling optimal dalam mengatasi masalah domain generalization pada face anti-spoofing.

References

1. S-Adapter: Generalizing Vision Transformer for Face Anti-Spoofing With Statistical Tokens | IEEE Journals... doi.org/10.1109/TIFS.2024.3420699S Adapter Generalizing Vision Transformer for Face Anti Spoofing With Statistical Tokens IEEE Journals doi 10 1109 TIFS 2024 3420699
2. M-FAS: An Accurate and Robust MultiModal Mobile Face Anti-Spoofing System | IEEE Journals & Magazine... ieeexplore.ieee.org/document/10480258M FAS An Accurate and Robust MultiModal Mobile Face Anti Spoofing System IEEE Journals Magazine ieeexplore ieee document 10480258
3. Spatio-Temporal-Based Action Face Anti-Spoofing Detection via Fusing Dynamics and Texture Face Keypoints... ieeexplore.ieee.org/document/10419028Spatio Temporal Based Action Face Anti Spoofing Detection via Fusing Dynamics and Texture Face Keypoints ieeexplore ieee document 10419028
4. Face anti-spoofing using patch and depth-based CNNs | IEEE Conference Publication | IEEE Xplore. face... ieeexplore.ieee.org/document/8272713Face anti spoofing using patch and depth based CNNs IEEE Conference Publication IEEE Xplore face ieeexplore ieee document 8272713

Subjects

1. #learning model#learning model
2. #sistem keamanan#sistem keamanan

Metadata

File size	888.23 KB
Pages	12
Short Link	https://juris.id/p-3bK
Lookup Links	Google ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCA	Report