กรณีศึกษาเกี่ยวกับโมเดลการจดจำใบหน้า

ชุดข้อมูลวิดีโอป้องกันการปลอมแปลงสำหรับโมเดล AI ตรวจจับการฉ้อโกง

ค้นพบว่า Shaip ส่งมอบชุดข้อมูลวิดีโอป้องกันการปลอมแปลงคุณภาพสูง 25,000 ชุดที่มีสถานการณ์โจมตีจริงและซ้ำเพื่อฝึกโมเดล AI สำหรับการตรวจจับการฉ้อโกงได้อย่างไร

การรวบรวมข้อมูลวิดีโอป้องกันการปลอมแปลง

ภาพรวมโครงการ

Shaip ร่วมมือกับบริษัทชั้นนำด้านความปลอดภัยด้าน AI เพื่อจัดทำชุดข้อมูลวิดีโอป้องกันการปลอมแปลงคุณภาพสูงที่พร้อมใช้งาน ซึ่งออกแบบมาเพื่อปรับปรุงการฝึกโมเดล AI สำหรับการตรวจจับการฉ้อโกง ชุดข้อมูลประกอบด้วยวิดีโอ 25,000 วิดีโอที่บันทึกสถานการณ์การโจมตีทั้งจริงและซ้ำ ทำให้มั่นใจได้ว่ามีข้อมูลการฝึกที่แข็งแกร่งสำหรับโมเดลป้องกันการปลอมแปลง

ผู้เข้าร่วม ทั้ง12,500 คนได้ส่งวิดีโอคนละสองคลิป โดยเป็นคลิปเหตุการณ์โจมตีจริงหนึ่งคลิป และคลิปบันทึกการโจมตีซ้ำอีกหนึ่งคลิป ซึ่งบันทึกด้วยความละเอียด 720p หรือสูงกว่าและมีอัตราเฟรมเรต26 เฟรมต่อวินาทีขึ้นไป

เป้าหมายของโครงการคือการส่งมอบชุดข้อมูลที่แท้จริงและหลากหลายซึ่งจะช่วยให้โมเดล AI สามารถแยกแยะระหว่างวิดีโอไบโอเมตริกจริงและปลอมได้อย่างมีประสิทธิภาพ thereby ลดความเสี่ยงด้านการฉ้อโกงในระบบการตรวจสอบตัวตนด้วยไบโอเมตริก

การรวบรวมข้อมูลวิดีโอป้องกันการปลอมแปลง

สถิติสำคัญ

วิดีโอทั้งหมด 25,000คลิป ( วิดีโอจริง12,500 คลิป วิดีโอโจมตีซ้ำ12,500 คลิป)

12,500 ที่ไม่เหมือนใคร
ผู้เข้าร่วม

5 กลุ่มชาติพันธุ์
แสดงในชุดข้อมูล

การจัดส่งเป็นระยะ: 4ชุด ชุดละ 6,250 วิดีโอ

คุณลักษณะเมตาเดตา: 12พารามิเตอร์หลักเพื่อเพิ่มประสิทธิภาพการใช้งานชุดข้อมูล

ขอบเขตชุดข้อมูลไบโอเมตริกป้องกันการปลอมแปลง

การคัดสรรชุดข้อมูล:โครงการนี้มุ่งเน้นการส่งมอบชุดข้อมูลวิดีโอป้องกันการปลอมแปลงคุณภาพสูง ซึ่งประกอบด้วยวิดีโอการโจมตีจริงและวิดีโอการโจมตีซ้ำประเด็นสำคัญประกอบด้วย:

  • ผู้เข้าร่วม 12,500 คน การบริจาค วิดีโอละ 2 ชิ้น (1 อันจริง 1 อันปลอม)
  • ความหลากหลายในอุปกรณ์บันทึกข้อมูล เพื่อเพิ่มความสามารถในการปรับตัวของแบบจำลอง
  • การเป็นตัวแทนชาติพันธุ์ที่สมดุล เพื่อให้แน่ใจว่ามีการรวมชุดข้อมูลไว้ด้วยกัน

การรวบรวมข้อมูลเมตา:วิดีโอแต่ละรายการมีข้อมูลเมตา 12 รายการเพื่อเพิ่มประโยชน์ในการใช้งานชุดข้อมูล

ความท้าทายในการรวบรวมข้อมูลวิดีโอ

การเป็นตัวแทนที่เท่าเทียมกัน

รักษาการกระจายข้อมูลตามเชื้อชาติให้สมดุลขณะเดียวกันก็จัดหาวิดีโอคุณภาพสูง

การควบคุมคุณภาพ

ตรวจสอบให้แน่ใจว่าผู้เข้าร่วมแต่ละคนมีส่วนร่วมสร้างวิดีโอโจมตีจริงหนึ่งรายการและรีเพลย์หนึ่งรายการเพื่อรักษาความสมบูรณ์ของชุดข้อมูล

ความสม่ำเสมอทางเทคนิค

ปฏิบัติตามหลักเกณฑ์ที่เข้มงวดสำหรับ FPS (≥ 26), ความละเอียด (≥ 720p) และความแม่นยำของค่าเวลา (+/- 0.5ms)

เราแก้ไขปัญหานี้อย่างไร

Shaip จัดทำชุดข้อมูลที่มีโครงสร้างและมีคุณภาพสูงเพื่อตอบสนองความต้องการของโครงการ โดยโซลูชันนี้ประกอบด้วย:

การดูแลและควบคุมคุณภาพชุดข้อมูล

  • วิดีโอ 25,000 เก็บรวบรวมทั่ว ขั้นตอน 4 เพื่อให้แน่ใจว่าข้อมูลมีการไหลอย่างต่อเนื่องและมีโครงสร้าง และหลีกเลี่ยงปัญหาคอขวด
  • กระบวนการตรวจสอบที่เข้มงวด เพื่อให้มั่นใจว่าเป็นไปตาม FPS ความละเอียด และความแม่นยำของข้อมูลเมตาวิดีโอแต่ละรายการจะต้องผ่านการตรวจสอบคุณภาพหลายครั้งก่อนที่จะได้รับการยอมรับขั้นสุดท้าย
  • การแท็กข้อมูลเมตาที่ครอบคลุม สีสดสวย 12 คุณสมบัติ:
  • รหัส/ชื่อไฟล์
  • ประเภทของการโจมตี (จริง/รีเพลย์)
  • รหัสบุคคล
  • ความละเอียดวิดีโอ
  • ระยะเวลาวิดีโอ
  • ชาติพันธุ์ของบุคคล
  • เพศของบุคคล
  • ไม่ว่าวิดีโอจะเป็นต้นฉบับหรือปลอม
  • ชื่ออุปกรณ์/รุ่น
  • คนพูดหรือไม่พูด
  • เวลาเริ่มต้นประทับเวลา
  • เวลาสิ้นสุดการประทับเวลา
  • การกระจายกลุ่มชาติพันธุ์ที่สมดุล: ชุดข้อมูลได้รับการคัดสรรอย่างพิถีพิถันเพื่อรักษาความสมดุลของข้อมูลกลุ่มชาติพันธุ์ การกระจายข้อมูลประกอบด้วยกลุ่มชาติพันธุ์ฮิสแปนิก (33%) เอเชียใต้ (21%) คอเคเซียน (20%) แอฟริกัน (15%) และเอเชียตะวันออกและตะวันออกกลาง (แต่ละกลุ่มมีสัดส่วนสูงสุด 6%)
  • ไม่มีรายการที่ซ้ำกัน เพื่อรักษาความเฉพาะตัวของชุดข้อมูลและป้องกันอคติในการฝึกอบรม AI
  • การคัดเลือกผู้เข้าร่วมที่มีความหลากหลายทางชาติพันธุ์ เพื่อสร้างชุดข้อมูลที่สะท้อนถึงความหลากหลายของผู้ใช้ในโลกแห่งความเป็นจริง ปรับปรุงความสามารถในการปรับตัวและความยุติธรรมของโมเดล AI
  • การเปลี่ยนแปลงอุปกรณ์บันทึก รวมถึงสมาร์ทโฟนหลายรุ่น กล้อง และสภาพแสงเพื่อเพิ่มความทนทานของรุ่นเหล่านี้เมื่ออยู่ในสภาพแวดล้อมที่แตกต่างกัน

ผล

ชุดข้อมูลวิดีโอป้องกันการปลอมแปลงคุณภาพสูงและหลากหลายที่ Shaip จัดทำขึ้นช่วยให้ลูกค้าสามารถฝึกโมเดล AI ให้สามารถแยกความแตกต่างระหว่างวิดีโอจริงและวิดีโอปลอมในสถานการณ์การตรวจสอบสิทธิ์ทางชีวมาตรต่างๆ ได้อย่างแม่นยำ ชุดข้อมูลนี้มีส่วนช่วยในเรื่องดังต่อไปนี้:

การตรวจจับการฉ้อโกง

ปรับปรุงประสิทธิภาพของ AI ในการตรวจจับการโจมตีทางชีวมาตรที่ฉ้อโกง

ข้อมูลการฝึกอบรมที่หลากหลาย

เสริมความสามารถของโมเดลในการจดจำการโจมตีแบบรีเพลย์ข้ามกลุ่มชาติพันธุ์ อุปกรณ์ และสภาพแวดล้อมที่แตกต่างกัน

scalability

ชุดข้อมูลทำหน้าที่เป็นรากฐานสำหรับการปรับปรุงและการขยายโมเดลป้องกันการปลอมแปลงในอนาคต

ไอคอนคำคม

ชุดข้อมูลของ Shaip เป็นเครื่องมือสำคัญในการปรับปรุงโมเดลป้องกันการปลอมแปลงที่ขับเคลื่อนด้วย AI ของเรา ความหลากหลาย คุณภาพ และข้อมูลเมตาที่มีโครงสร้างเป็นรากฐานที่มั่นคงสำหรับการปรับปรุงการตรวจจับการฉ้อโกงในระบบการตรวจสอบข้อมูลทางชีวภาพ

★★★★★
ไอคอนคำคม