Специализированные vs мультимодальные модели в Face Liveness: почему мы в VisionLabs выбрали универсальность Нейронные сети и искусственный интеллект (data science)
Кандидат технических наук, окончил Московский физико-технический институт (МФТИ) с отличием, а также магистратуру Сколковского института науки и технологий в 2016 году, где получил Best thesis award. Прошел обучение в Massachusetts Institute of technology (MIT) в 2015 году по профилю Deep Learning, Computer Vision. 10 тематических публикаций в научных журналах и конференциях, в том числе NeurIPS и CVPR. Уже более 9 лет специализируется в Computer Vision в целом.
Тезисы
С развитием оплаты по лицу, подтверждения личности по биометрии и дистанционного обслуживания растет необходимость защиты от идентификационного фрода, и Face Liveness становится ключевым инструментом для этого. Liveness-решения VisionLabs уже используются в московском транспорте, сервисе МТС ID KYC и крупнейших банках.
В рамках доклада обсудим ключевые аспекты технологии, включая её отличия от детекции дипфейков, актуальные тенденции и устаревающие подходы в этой области. Рассмотрим, что эффективнее: универсальная или специализированные модели. Результаты получены в рамках собственных исследований VisionLabs и сравнения работы порядка десяти Liveness-решений. Завершим обсуждение сочетанием Face Liveness с другими методами защиты.
