Dealing with Overfitting in the Context of Liveness Detection using FeatherNets with RGB images

Bibliographic Details
Main Author: Correia, Miguel Nuno Leão Gordilho Hipólito
Publication Date: 2022
Format: Master thesis
Language: eng
Source: Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
Download full: https://hdl.handle.net/10316/103102
Summary: Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
id RCAP_a79227c808b700d1a8787ff0a6d2fd64
oai_identifier_str oai:estudogeral.uc.pt:10316/103102
network_acronym_str RCAP
network_name_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository_id_str https://opendoar.ac.uk/repository/7160
spelling Dealing with Overfitting in the Context of Liveness Detection using FeatherNets with RGB imagesSobre o Overfitting no Contexto da Prova de Vida usando redes FeatherNets com Imagens RGBBonafideSpoofOverfittingDatasetModelBonafideSpoofOvefittingDatasetModelDissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e TecnologiaFacial Anti-Spoofing (FAS) ou prova de vida, tem ganho um grande interesse com a utilização crescente do reconhecimento facial nas actividades do dia-a-dia e a sua exigência de segurança. A partir da variedade de diferentes abordagens que foram desenvolvidas, a utilização das soluções de machine learning tornaram-se a abordagem mais popular devido à melhoria destes tipos de soluções para outros problemas, bem como o aumento do número de conjuntos de dados disponíveis para a prova de vida. Estes modelos, no entanto, apresentam deficiências como o overfitting, onde o modelo se adapta perfeitamente ao conjunto de treino, tornando-se inutilizável quando utilizado com o conjunto de testes, derrotando o propósito do machine learning. Esta tese centra-se em como abordar o overfitting sem alterar o modelo utilizado, concentrando-se na informação à entrada e saída do modelo.A abordagem de entrada centra-se na informação obtida a partir das diferentes modalidades presentes nos conjuntos de dados utilizados, bem como no quão variada é a informação destes conjuntos de dados, e não apenas em número de tipos de spoofs mas como as condições ambientais quando os vídeos foram capturados. As abordagens de saída foram centradas tanto na função de perda, que tem um efeito na "aprendizagem" real do machine learning, utilizada no modelo que é calculada a partir da saída do modelo e depois propagada para trás, como na interpretação da referida saída para definir quais as previsões que são consideradas como bonafide ou spoofs. Ao longo deste trabalho, os autores conseguiram reduzir o efeito de overfitting com uma diferença entre o melhor epoch e a média dos últimas cinquenta epochs de 36,57% para 3,63%.Facial Anti Spoofing (FAS) or liveness detection, has gained a large interest with the increasing use of facial recognition in day-to-day activities and its requirement for security. From the variety of different approaches that have been developed, the use of machine learning solutions has become the more popular approach due to the improvement of these types of solutions for other problems as well as the increased number of available datasets for liveness detection. These models however carry shortcomings like overfitting, where the model adapts perfectly to the training set, becoming unusable when used with the testing set, defeating the purpose of machine learning. This thesis focuses on how to approach overfitting without altering the model used by focusing on the input and output information of the model.The input approach focuses on the information obtained from the different modalities present in the datasets used, as well as how varied the information of these datasets is, not only in number of spoof types but as the ambient conditions when the videos were captured. The output approaches were focused on both the loss function, which has an effect on the actual ”learning” of the machine learning, used on the model which is calculated from the model’s output and is then propagated backwards, and the interpretation of said output to define what predictions are considered as bonafide or spoof. Throughout this work, the authors were able to reduce the overfitting effect with a difference between the best epoch and the average of the last fifty epochs from 36.57% to 3.63%.2022-09-28info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttps://hdl.handle.net/10316/103102https://hdl.handle.net/10316/103102TID:203077709engCorreia, Miguel Nuno Leão Gordilho Hipólitoinfo:eu-repo/semantics/openAccessreponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiainstacron:RCAAP2022-10-19T20:37:03Zoai:estudogeral.uc.pt:10316/103102Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireinfo@rcaap.ptopendoar:https://opendoar.ac.uk/repository/71602025-05-29T05:52:40.815228Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiafalse
dc.title.none.fl_str_mv Dealing with Overfitting in the Context of Liveness Detection using FeatherNets with RGB images
Sobre o Overfitting no Contexto da Prova de Vida usando redes FeatherNets com Imagens RGB
title Dealing with Overfitting in the Context of Liveness Detection using FeatherNets with RGB images
spellingShingle Dealing with Overfitting in the Context of Liveness Detection using FeatherNets with RGB images
Correia, Miguel Nuno Leão Gordilho Hipólito
Bonafide
Spoof
Overfitting
Dataset
Model
Bonafide
Spoof
Ovefitting
Dataset
Model
title_short Dealing with Overfitting in the Context of Liveness Detection using FeatherNets with RGB images
title_full Dealing with Overfitting in the Context of Liveness Detection using FeatherNets with RGB images
title_fullStr Dealing with Overfitting in the Context of Liveness Detection using FeatherNets with RGB images
title_full_unstemmed Dealing with Overfitting in the Context of Liveness Detection using FeatherNets with RGB images
title_sort Dealing with Overfitting in the Context of Liveness Detection using FeatherNets with RGB images
author Correia, Miguel Nuno Leão Gordilho Hipólito
author_facet Correia, Miguel Nuno Leão Gordilho Hipólito
author_role author
dc.contributor.author.fl_str_mv Correia, Miguel Nuno Leão Gordilho Hipólito
dc.subject.por.fl_str_mv Bonafide
Spoof
Overfitting
Dataset
Model
Bonafide
Spoof
Ovefitting
Dataset
Model
topic Bonafide
Spoof
Overfitting
Dataset
Model
Bonafide
Spoof
Ovefitting
Dataset
Model
description Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
publishDate 2022
dc.date.none.fl_str_mv 2022-09-28
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/10316/103102
https://hdl.handle.net/10316/103102
TID:203077709
url https://hdl.handle.net/10316/103102
identifier_str_mv TID:203077709
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron:RCAAP
instname_str FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron_str RCAAP
institution RCAAP
reponame_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
collection Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository.name.fl_str_mv Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
repository.mail.fl_str_mv info@rcaap.pt
_version_ 1833602504480260096

Similar Items