ಮುಖ ಗುರುತಿಸುವಿಕೆ ಮಾದರಿಯ ಕುರಿತು ಒಂದು ಪ್ರಕರಣ ಅಧ್ಯಯನ
ವಂಚನೆ ಪತ್ತೆ AI ಮಾದರಿಗಳಿಗಾಗಿ ವಂಚನೆ-ವಿರೋಧಿ ವೀಡಿಯೊ ಡೇಟಾಸೆಟ್
ವಂಚನೆ ಪತ್ತೆಗಾಗಿ AI ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ನೈಜ ಮತ್ತು ಮರುಪಂದ್ಯ ದಾಳಿಯ ಸನ್ನಿವೇಶಗಳನ್ನು ಒಳಗೊಂಡ 25,000 ಉತ್ತಮ-ಗುಣಮಟ್ಟದ ಆಂಟಿ-ಸ್ಪೂಫಿಂಗ್ ವೀಡಿಯೊ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಶೈಪ್ ಹೇಗೆ ತಲುಪಿಸಿದರು ಎಂಬುದನ್ನು ಕಂಡುಕೊಳ್ಳಿ.
ಪ್ರಾಜೆಕ್ಟ್ ಅವಲೋಕನ
ವಂಚನೆ ಪತ್ತೆಗಾಗಿ AI ಮಾದರಿ ತರಬೇತಿಯನ್ನು ಹೆಚ್ಚಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಉತ್ತಮ-ಗುಣಮಟ್ಟದ, ಆಫ್-ದಿ-ಶೆಲ್ಫ್ ಆಂಟಿ-ಸ್ಪೂಫಿಂಗ್ ವೀಡಿಯೊ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಒದಗಿಸಲು ಶೈಪ್ ಪ್ರಮುಖ AI ಭದ್ರತಾ ಕಂಪನಿಯೊಂದಿಗೆ ಪಾಲುದಾರಿಕೆ ಮಾಡಿಕೊಂಡರು. ಡೇಟಾಸೆಟ್ ನೈಜ ಮತ್ತು ಮರುಪಂದ್ಯ ದಾಳಿಯ ಸನ್ನಿವೇಶಗಳನ್ನು ಸೆರೆಹಿಡಿಯುವ 25,000 ವೀಡಿಯೊಗಳನ್ನು ಒಳಗೊಂಡಿತ್ತು, ಇದು ಆಂಟಿ-ಸ್ಪೂಫಿಂಗ್ ಮಾದರಿಗಳಿಗೆ ದೃಢವಾದ ತರಬೇತಿ ಡೇಟಾವನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ.
ಪ್ರತಿಯೊಂದು 12,500 ಭಾಗವಹಿಸುವವರು ಎರಡು ವೀಡಿಯೊಗಳನ್ನು ಕೊಡುಗೆ ನೀಡಿದ್ದಾರೆ - ಒಂದು ನೈಜ ಮತ್ತು ಒಂದು ಮರುಪಂದ್ಯ ದಾಳಿ - ರೆಕಾರ್ಡ್ ಮಾಡಲಾಗಿದೆ 720p ಅಥವಾ ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ಫ್ರೇಮ್ ದರದೊಂದಿಗೆ 26 FPS ಮತ್ತು ಹೆಚ್ಚಿನದು.
ಯೋಜನೆಯ ಗುರಿ ತಲುಪಿಸುವುದಾಗಿತ್ತು ಅಧಿಕೃತ ಮತ್ತು ವೈವಿಧ್ಯಮಯ ಡೇಟಾಸೆಟ್‌ಗಳು ಇದು AI ಮಾದರಿಗಳು ನೈಜ ಮತ್ತು ವಂಚನೆಯ ಬಯೋಮೆಟ್ರಿಕ್ ವೀಡಿಯೊಗಳ ನಡುವೆ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ವ್ಯತ್ಯಾಸವನ್ನು ಕಂಡುಹಿಡಿಯಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಬಯೋಮೆಟ್ರಿಕ್ ದೃಢೀಕರಣ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ವಂಚನೆಯ ಅಪಾಯಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
ಪ್ರಮುಖ ಅಂಕಿಅಂಶಗಳು
25,000 ಒಟ್ಟು ವೀಡಿಯೊಗಳು (12,500 ನಿಜವಾದ ವೀಡಿಯೊಗಳು, 12,500 ದಾಳಿಯ ವೀಡಿಯೊಗಳನ್ನು ಮರುಪ್ರಸಾರ ಮಾಡಿ)
12,500 ಅನನ್ಯ
ಭಾಗವಹಿಸುವವರು
5 ಜನಾಂಗೀಯ ಗುಂಪುಗಳು
ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಪ್ರತಿನಿಧಿಸಲಾಗಿದೆ
ಹಂತ ಹಂತದ ವಿತರಣೆ: 4 ನ ಬ್ಯಾಚ್‌ಗಳು 6,250 ಪ್ರತಿ ವೀಡಿಯೊಗಳು
ಮೆಟಾಡೇಟಾ ಗುಣಲಕ್ಷಣಗಳು: 12 ಡೇಟಾಸೆಟ್ ಬಳಕೆಯ ವರ್ಧಿತ ಸಾಮರ್ಥ್ಯಕ್ಕಾಗಿ ಪ್ರಮುಖ ನಿಯತಾಂಕಗಳು
ವಂಚನೆ-ವಿರೋಧಿ ಬಯೋಮೆಟ್ರಿಕ್ ಡೇಟಾಸೆಟ್ ವ್ಯಾಪ್ತಿ
ಡೇಟಾಸೆಟ್ ಕ್ಯುರೇಶನ್: ಈ ಯೋಜನೆಯು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ವಂಚನೆ-ವಿರೋಧಿ ವೀಡಿಯೊ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ತಲುಪಿಸುವುದರ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದೆ, ಇದರಲ್ಲಿ ಇವು ಸೇರಿವೆ ನಿಜವಾದ ಮತ್ತು ಮರುಪ್ಲೇ ದಾಳಿ ವೀಡಿಯೊಗಳು. ಪ್ರಮುಖ ಅಂಶಗಳು ಸೇರಿವೆ:
- 12,500 ಭಾಗವಹಿಸುವವರು ಕೊಡುಗೆ ತಲಾ ಎರಡು ವೀಡಿಯೊಗಳು (1 ನಿಜ, 1 ವಂಚನೆ).
- ರೆಕಾರ್ಡಿಂಗ್ ಸಾಧನಗಳಲ್ಲಿ ವೈವಿಧ್ಯತೆ ಮಾದರಿ ಹೊಂದಾಣಿಕೆಯನ್ನು ಹೆಚ್ಚಿಸಲು.
- ಸಮತೋಲಿತ ಜನಾಂಗೀಯ ಪ್ರಾತಿನಿಧ್ಯ ಡೇಟಾಸೆಟ್ ಒಳಗೊಳ್ಳುವಿಕೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು.
ಮೆಟಾಡೇಟಾ ಸಂಗ್ರಹ: ಪ್ರತಿಯೊಂದು ವೀಡಿಯೊ ಜೊತೆಗೆ 12 ಮೆಟಾಡೇಟಾ ಗುಣಲಕ್ಷಣಗಳು ಡೇಟಾಸೆಟ್ ಉಪಯುಕ್ತತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು.
ವೀಡಿಯೊ ಡೇಟಾ ಸಂಗ್ರಹಣೆಯ ಸವಾಲುಗಳು
ಉತ್ತಮ ಗುಣಮಟ್ಟದ ವೀಡಿಯೊಗಳನ್ನು ಪಡೆಯುವಾಗ ಜನಾಂಗೀಯವಾಗಿ ಸಮತೋಲಿತ ದತ್ತಾಂಶ ವಿತರಣೆಯನ್ನು ನಿರ್ವಹಿಸುವುದು.
ಡೇಟಾಸೆಟ್ ಸಮಗ್ರತೆಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳಲು ಪ್ರತಿಯೊಬ್ಬ ಭಾಗವಹಿಸುವವರು ಒಂದು ನೈಜ ಮತ್ತು ಒಂದು ಮರುಪಂದ್ಯ ದಾಳಿ ವೀಡಿಯೊವನ್ನು ಕೊಡುಗೆ ನೀಡುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳುವುದು.
FPS (≥ 26), ರೆಸಲ್ಯೂಶನ್ (≥ 720p), ಮತ್ತು ಸಮಯಸ್ಟ್ಯಾಂಪ್ ನಿಖರತೆ (+/- 0.5ms) ಗಾಗಿ ಕಟ್ಟುನಿಟ್ಟಾದ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಪಾಲಿಸುವುದು.
ನಾವು ಅದನ್ನು ಹೇಗೆ ಪರಿಹರಿಸಿದೆವು
ಯೋಜನೆಯ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪೂರೈಸಲು ಶೈಪ್ ರಚನಾತ್ಮಕ ಮತ್ತು ಉತ್ತಮ-ಗುಣಮಟ್ಟದ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಒದಗಿಸಿದ್ದಾರೆ. ಪರಿಹಾರವು ಈ ಕೆಳಗಿನವುಗಳನ್ನು ಒಳಗೊಂಡಿದೆ:
ಡೇಟಾಸೆಟ್ ಕ್ಯುರೇಶನ್ ಮತ್ತು ಗುಣಮಟ್ಟ ನಿಯಂತ್ರಣ
- 25,000 ವೀಡಿಯೊಗಳು ಸಂಗ್ರಹಿಸಲಾಗಿದೆ 4 ಹಂತಗಳು ಅಡೆತಡೆಗಳನ್ನು ತಪ್ಪಿಸಿ, ಸ್ಥಿರ ಮತ್ತು ರಚನಾತ್ಮಕ ದತ್ತಾಂಶ ಹರಿವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು.
- ಕಠಿಣ ದೃಢೀಕರಣ ಪ್ರಕ್ರಿಯೆ ಅನುಸರಣೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು FPS, ರೆಸಲ್ಯೂಶನ್ ಮತ್ತು ಮೆಟಾಡೇಟಾ ನಿಖರತೆ. ಅಂತಿಮ ಸ್ವೀಕಾರಕ್ಕೂ ಮೊದಲು ಪ್ರತಿಯೊಂದು ವೀಡಿಯೊವನ್ನು ಬಹು ಗುಣಮಟ್ಟದ ಪರಿಶೀಲನೆಗಳಿಗೆ ಒಳಪಡಿಸಲಾಗಿದೆ.
- ಸಮಗ್ರ ಮೆಟಾಡೇಟಾ ಟ್ಯಾಗಿಂಗ್ ಜೊತೆ 12 ಗುಣಲಕ್ಷಣಗಳು:
- ಫೈಲ್ ಐಡಿ/ಹೆಸರು
- ದಾಳಿಯ ಪ್ರಕಾರ (ನೈಜ/ಮರುಪಂದ್ಯ)
- ವ್ಯಕ್ತಿ ID
- ವೀಡಿಯೊ ರೆಸಲ್ಯೂಶನ್
- ವೀಡಿಯೊ ಅವಧಿ
- ವಿಷಯದ ಜನಾಂಗೀಯತೆ
- ವಿಷಯದ ಲಿಂಗ
- ವೀಡಿಯೊ ಮೂಲವೋ ಅಥವಾ ವಂಚನೆಯೋ
- ಸಾಧನದ ಹೆಸರು/ಮಾದರಿ
- ವ್ಯಕ್ತಿ ಮಾತನಾಡುತ್ತಾರೋ ಇಲ್ಲವೋ
- ಸಮಯಮುದ್ರೆ ಪ್ರಾರಂಭ ಸಮಯ
- ಸಮಯಮುದ್ರೆಯ ಅಂತ್ಯ ಸಮಯ
- ಸಮತೋಲಿತ ಜನಾಂಗೀಯ ಗುಂಪು ವಿತರಣೆ: ಸಮತೋಲಿತ ಜನಾಂಗೀಯ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳಲು ಡೇಟಾಸೆಟ್ ಅನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ. ವಿತರಣೆಯು ಹಿಸ್ಪಾನಿಕ್ (33%), ದಕ್ಷಿಣ ಏಷ್ಯಾ (21%), ಕಕೇಶಿಯನ್ (20%), ಆಫ್ರಿಕನ್ (15%), ಮತ್ತು ಪೂರ್ವ ಏಷ್ಯಾ ಮತ್ತು ಮಧ್ಯಪ್ರಾಚ್ಯ ಜನಸಂಖ್ಯೆಯನ್ನು (ಪ್ರತಿಯೊಂದೂ 6% ವರೆಗೆ ಒಳಗೊಂಡಿದೆ) ಒಳಗೊಂಡಿದೆ.
- ಯಾವುದೇ ನಕಲಿ ನಮೂದುಗಳಿಲ್ಲ. ಡೇಟಾಸೆಟ್ ಅನನ್ಯತೆಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳಲು ಮತ್ತು AI ತರಬೇತಿಯಲ್ಲಿ ಪಕ್ಷಪಾತಗಳನ್ನು ತಡೆಯಲು.
- ಜನಾಂಗೀಯವಾಗಿ ವೈವಿಧ್ಯಮಯ ಭಾಗವಹಿಸುವವರ ಆಯ್ಕೆ ನೈಜ-ಪ್ರಪಂಚದ ಬಳಕೆದಾರ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವ ಡೇಟಾಸೆಟ್ ಅನ್ನು ರಚಿಸಲು, AI ಮಾದರಿ ಹೊಂದಾಣಿಕೆ ಮತ್ತು ನ್ಯಾಯಸಮ್ಮತತೆಯನ್ನು ಸುಧಾರಿಸಲು.
- ಸಾಧನದ ಬದಲಾವಣೆಯನ್ನು ರೆಕಾರ್ಡಿಂಗ್ ಮಾಡಲಾಗುತ್ತಿದೆ ವಿಭಿನ್ನ ಪರಿಸರ ಸೆಟ್ಟಿಂಗ್‌ಗಳ ವಿರುದ್ಧ ಮಾದರಿಯ ದೃಢತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಬಹು ಸ್ಮಾರ್ಟ್‌ಫೋನ್ ಮಾದರಿಗಳು, ಕ್ಯಾಮೆರಾಗಳು ಮತ್ತು ಬೆಳಕಿನ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಒಳಗೊಂಡಿತ್ತು.
ಫಲಿತಾಂಶ
Shaip ಒದಗಿಸಿದ ಉತ್ತಮ-ಗುಣಮಟ್ಟದ, ವೈವಿಧ್ಯಮಯ ಆಂಟಿ-ಸ್ಪೂಫಿಂಗ್ ವೀಡಿಯೊ ಡೇಟಾಸೆಟ್, ವಿವಿಧ ಬಯೋಮೆಟ್ರಿಕ್ ದೃಢೀಕರಣ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ ನೈಜ ಮತ್ತು ವಂಚನೆಗೊಳಗಾದ ವೀಡಿಯೊಗಳ ನಡುವೆ ನಿಖರವಾಗಿ ವ್ಯತ್ಯಾಸವನ್ನು ತೋರಿಸಲು AI ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಕ್ಲೈಂಟ್‌ಗೆ ಅನುವು ಮಾಡಿಕೊಟ್ಟಿತು. ಡೇಟಾಸೆಟ್ ಇದಕ್ಕೆ ಕೊಡುಗೆ ನೀಡಿದೆ:
ಮೋಸದ ಬಯೋಮೆಟ್ರಿಕ್ ದಾಳಿಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವಲ್ಲಿ ವರ್ಧಿತ AI ಕಾರ್ಯಕ್ಷಮತೆ.
ವಿವಿಧ ಜನಾಂಗಗಳು, ಸಾಧನಗಳು ಮತ್ತು ಪರಿಸರ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಮರುಪಂದ್ಯ ದಾಳಿಗಳನ್ನು ಗುರುತಿಸುವ ಮಾದರಿಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಬಲಪಡಿಸಲಾಗಿದೆ.
ಈ ಡೇಟಾಸೆಟ್ ಭವಿಷ್ಯದ ವಂಚನೆ-ವಿರೋಧಿ ಮಾದರಿ ವರ್ಧನೆಗಳು ಮತ್ತು ವಿಸ್ತರಣೆಗಳಿಗೆ ಅಡಿಪಾಯವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.
ನಮ್ಮ AI-ಚಾಲಿತ ವಂಚನೆ-ವಿರೋಧಿ ಮಾದರಿಗಳನ್ನು ವರ್ಧಿಸುವಲ್ಲಿ ಶೈಪ್ ಅವರ ಡೇಟಾಸೆಟ್ ಪ್ರಮುಖ ಪಾತ್ರ ವಹಿಸಿದೆ. ವೈವಿಧ್ಯತೆ, ಗುಣಮಟ್ಟ ಮತ್ತು ರಚನಾತ್ಮಕ ಮೆಟಾಡೇಟಾ ಬಯೋಮೆಟ್ರಿಕ್ ದೃಢೀಕರಣ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ವಂಚನೆ ಪತ್ತೆಯನ್ನು ಸುಧಾರಿಸಲು ಬಲವಾದ ಅಡಿಪಾಯವನ್ನು ಒದಗಿಸಿದೆ.
