Обучение модели, чтобы узнать, является ли она действительной кредитной картой / водительскими правами против изображения на экране / фотокопии и т. Д.

Question

Я ищу любой совет о том, как я могу обучить модель, чтобы отличить фотографию реального объекта от фотографии изображения объекта. В частности, когда речь идет о кредитных картах и ​​водительских правах.

Например, в Google pay и аналогичных платных приложениях вы можете добавить кредитную карту с помощью камеры. Но оказывается, что он не может сказать, делаю ли я фотографию моей настоящей карты или фотографию изображения моей карты на экране. Для моего приложения мне нужно сделать что-то подобное, но я могу сказать, реально это или нет.

Причина в том, что пользователи иногда пытаются выдать чужую личность за свою собственную (т.е. у них есть фотография чьей-то карты), и с помощью приложения делает фотографию этой фотографии (вы не можете загрузить фотографию в приложение , только сделай живое фото).

Я также ищу успешные реализации, которые уже существуют, чтобы изучить их. Я ничего не мог найти, возможно, потому, что большая часть его проприетарна и не рекламируется.

Первый шаг, который я планирую сделать, это, конечно, создание набора данных, который довольно трудоемок. Это означает, что вы должны распечатать поддельные карточки на пластиковую, а затем сфотографировать их. Модель, к которой я стремлюсь, должна быть в состоянии классифицировать (1) фактическую карту (2) изображение карты на экране (3) изображение карты на бумаге (распечатано / фотокопия). Это кажется возможным, потому что большинство людей могут различить разницу (от яркого света на экране, текстуры бумаги и т. Д.). Обратите внимание, что карта выпущена из одного и того же объекта (тот же логотип, цвет и т. Д.), Поэтому многое должно быть постоянным.

Любые другие предложения, не относящиеся к ML, приветствуются.

Ceci n'est pas une pipe

Answer 1

Все сводится к обучению вашего алгоритма и дополнительным уровням безопасности. Решения, которые я видел и имел в виду:

1. Имеют два слоя алгоритмов: первый классифицирует, является ли это фотография или фотография фотографии, второй распознает, что находится на картинке. В этом случае вам нужен большой набор обучающей выборки с двумя классификациями, чтобы получить результаты.
2. Имейте дополнительный уровень безопасности: это также можно обмануть, но, по крайней мере, вы будете знать, кто обманул. Приложению DriveNow требуется приложение для загрузки селфи с картой рядом с головой.

В любом случае, нет пуленепробиваемого способа обработки этих изображений, если кто-то действительно хочет, они могут обмануть эти ворота безопасности. Я думаю, что действительно важно следить за транзакциями, действиями пользователей по обнаружению необычных движений.