CN116457801A - 用于在生物特征认证期间在验证模板匹配中的进化学习的系统、方法和计算机程序产品 - Google Patents
用于在生物特征认证期间在验证模板匹配中的进化学习的系统、方法和计算机程序产品 Download PDFInfo
- Publication number
- CN116457801A CN116457801A CN202180069731.XA CN202180069731A CN116457801A CN 116457801 A CN116457801 A CN 116457801A CN 202180069731 A CN202180069731 A CN 202180069731A CN 116457801 A CN116457801 A CN 116457801A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- learning model
- image feature
- user
- template
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004590 computer program Methods 0.000 title claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 208
- 238000012549 training Methods 0.000 claims abstract description 95
- 230000009471 action Effects 0.000 claims abstract description 20
- 230000001815 facial effect Effects 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 36
- 238000004891 communication Methods 0.000 description 24
- 230000015654 memory Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 7
- 230000001413 cellular effect Effects 0.000 description 4
- 238000013475 authorization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/167—Detection; Localisation; Normalisation using comparisons between temporally consecutive images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
Abstract
提供了用于使用图像特征模板认证个体的系统,所述系统包括至少一个处理器,所述至少一个处理器用以:基于用户的多个图像的训练数据集训练第一机器学习模型;使用第一机器学习模型生成多个图像特征模板,其中,多个图像特征模板中的每个图像特征模板与在时间间隔期间对用户的身份的肯定认证相关联;基于多个图像特征模板生成第二机器学习模型;使用第二机器学习模型生成预测图像特征模板;基于用户的输入图像确定是否认证用户的身份;并且基于确定是否认证用户的身份来执行动作。还提供了方法和计算机程序产品。
Description
相关申请的交叉引用
本申请要求2020年12月11日提交的美国专利申请第17/118,740号的优先权,所述美国专利申请的公开内容特此以全文引用的方式并入。
技术领域
本公开大体上涉及生物特征认证,并且在一些非限制性实施例或方面中,涉及用于使用基于进化学习开发的模板认证个体的系统、方法和计算机程序产品。
背景技术
认证是指以电子方式执行的过程,其涉及证明断言,例如验证(例如,证明)断言的个人的身份是正确的。认证可以与识别形成对比,识别是指确定和/或指示用户的身份的过程。生物特征认证可以指将个体的唯一物理特性(例如,身体测量值)用作认证的中介。在一些情况下,可以用于认证的物理特性包括指纹、语音样本、面部图像和/或眼部图像(例如虹膜扫描),因为这些物理特性对于个体而言是唯一的。在一些情况下,机器学习可以与生物特征认证一起使用,因为机器学习使得可以基于生物特征认证对维持大量被分析的参数和数据集的需要来驱动与认证相关联的过程。
然而,机器学习模型可能无法考虑个体的物理特性随时间发生的变化。例如,当个体的初始面部图像的各方面由于衰老而不同于个体的较晚面部图像时,机器学习模型可能无法基于个体的面部图像认证个体。在一些情况下,可以随时间流逝采集个体的物理特性的许多样本。然而,获得和存储许多样本可能需要大量的技术资源。
发明内容
因此,公开了用于使用基于进化学习开发的特征模板认证个体的改进的系统、方法和计算机程序产品。
根据一些非限制性实施例或方面,提供了一种系统,包括:至少一个处理器,所述至少一个处理器被编程或配置成:基于一个或多个第一用户的多个图像的训练数据集训练第一机器学习模型,其中,所述第一机器学习模型被配置成基于所述一个或多个第一用户的输入图像认证所述一个或多个第一用户的身份;使用所述第一机器学习模型生成多个图像特征模板,其中,所述多个图像特征模板中的每个图像特征模板与在时间间隔内对所述一个或多个第一用户的身份的肯定认证相关联;基于所述多个图像特征模板生成第二机器学习模型;使用所述第二机器学习模型生成预测图像特征模板;基于第二用户的输入图像确定认证所述第二用户的身份,其中,当基于所述第二用户的输入图像确定认证所述第二用户的身份时,所述至少一个处理器被编程或配置成:基于所述第二用户的输入图像生成当前图像特征模板,将所述当前图像特征模板与所述预测图像特征模板进行比较,以及确定所述当前图像特征模板对应于所述预测图像特征模板;以及基于确定是否认证所述第二用户的身份来执行动作。
根据一些非限制性实施例或方面,提供了一种方法,包括:利用至少一个处理器,基于一个或多个第一用户的多个图像的训练数据集训练第一机器学习模型,其中,所述第一机器学习模型被配置成基于所述一个或多个第一用户的输入图像认证所述一个或多个第一用户的身份;利用至少一个处理器,使用所述第一机器学习模型生成多个图像特征模板,其中,所述多个图像特征模板中的每个图像特征模板与在时间间隔内对所述一个或多个第一用户的身份的肯定认证相关联;利用至少一个处理器,基于所述多个图像特征模板生成第二机器学习模型;利用至少一个处理器,使用所述第二机器学习模型生成预测图像特征模板;利用至少一个处理器,基于第二用户的输入图像确定是否认证所述第二用户的身份,其中,基于所述第二用户的输入图像确定是否认证所述第二用户的身份包括:基于所述第二用户的输入图像生成当前图像特征模板,将所述当前图像特征模板与所述预测图像特征模板进行比较,以及确定所述当前图像特征模板是否对应于所述预测图像特征模板;以及基于确定是否认证所述第二用户的身份来执行动作。
根据一些非限制性实施例或方面,提供了一种计算机程序产品,所述计算机程序产品包括至少一个非瞬态计算机可读介质,所述至少一个非瞬态计算机可读介质包括一个或多个指令,所述一个或多个指令在由至少一个处理器执行时使所述至少一个处理器:基于一个或多个第一用户的多个图像的训练数据集训练第一机器学习模型,其中,所述第一机器学习模型被配置成基于所述一个或多个第一用户的输入图像认证所述一个或多个第一用户的身份;使用所述第一机器学习模型生成多个图像特征模板,其中,所述多个图像特征模板中的每个图像特征模板与在时间间隔内对所述一个或多个第一用户的身份的肯定认证相关联;基于所述多个图像特征模板生成第二机器学习模型;使用所述第二机器学习模型生成预测图像特征模板;基于第二用户的输入图像确定认证所述第二用户的身份,其中,使所述至少一个处理器基于所述第二用户的输入图像确定认证所述第二用户的身份的一个或多个指令使所述至少一个处理器:基于所述第二用户的输入图像生成当前图像特征模板,将所述当前图像特征模板与所述预测图像特征模板进行比较,以及确定所述当前图像特征模板对应于所述预测图像特征模板;以及基于确定是否认证所述第二用户的身份来执行动作。
在以下编号条款中阐述其他非限制性实施例或方面:
条款1:一种系统,包括:至少一个处理器,所述至少一个处理器被编程或配置成:基于一个或多个第一用户的多个图像的训练数据集训练第一机器学习模型,其中,所述第一机器学习模型被配置成基于所述一个或多个第一用户的输入图像认证所述一个或多个第一用户的身份;使用所述第一机器学习模型生成多个图像特征模板,其中,所述多个图像特征模板中的每个图像特征模板与在时间间隔内对所述一个或多个第一用户的身份的肯定认证相关联;基于所述多个图像特征模板生成第二机器学习模型;使用所述第二机器学习模型生成预测图像特征模板;基于第二用户的输入图像确定认证所述第二用户的身份,其中,当基于所述第二用户的输入图像确定认证所述第二用户的身份时,所述至少一个处理器被编程或配置成:基于所述第二用户的输入图像生成当前图像特征模板,将所述当前图像特征模板与所述预测图像特征模板进行比较,以及确定所述当前图像特征模板对应于所述预测图像特征模板;以及基于确定是否认证所述第二用户的身份来执行动作。
条款2:根据条款1所述的系统,其中,当基于所述一个或多个第一用户的多个图像的训练数据集训练所述第一机器学习模型时,所述至少一个处理器被编程或配置成:基于所述一个或多个第一用户的多个面部图像的训练数据集训练所述第一机器学习模型。
条款3:根据条款1或2所述的系统,其中,当使用所述第一机器学习模型生成所述多个图像特征模板时,所述至少一个处理器被编程或配置成:在训练所述第一机器学习模型之后从所述第一机器学习模型提取第一图像特征模板。
条款4:根据条款1-3中任一项所述的系统,其中,所述至少一个处理器被编程或配置成:将所述第二用户的输入图像添加到所述训练数据集中的所述一个或多个第一用户的多个图像以提供更新的训练数据集;以及基于所述更新的训练数据集重新训练所述第一机器学习模型。
条款5:根据条款1-4中任一项所述的系统,其中,当使用所述第一机器学习模型生成所述多个图像特征模板时,所述至少一个处理器被编程或配置成:在基于所述更新的训练数据集重新训练所述第一机器学习模型之后从所述第一机器学习模型提取第一图像特征模板。
条款6:根据条款1-5中任一项所述的系统,其中,所述第一机器学习模型是卷积神经网络模型,并且所述第二机器学习模型是长短期记忆递归神经网络模型。
条款7:根据条款1-6所述的系统,其中,所述第二用户的预测图像特征模板与所述时间间隔之后的所述第二用户的预测图像相关联。
条款8:一种方法,包括:利用至少一个处理器,基于一个或多个第一用户的多个图像的训练数据集训练第一机器学习模型,其中,所述第一机器学习模型被配置成基于所述一个或多个第一用户的输入图像认证所述一个或多个第一用户的身份;利用至少一个处理器,使用所述第一机器学习模型生成多个图像特征模板,其中,所述多个图像特征模板中的每个图像特征模板与在时间间隔内对所述一个或多个第一用户的身份的肯定认证相关联;利用至少一个处理器,基于所述多个图像特征模板生成第二机器学习模型;利用至少一个处理器,使用所述第二机器学习模型生成预测图像特征模板;利用至少一个处理器,基于第二用户的输入图像确定是否认证所述第二用户的身份,其中,基于所述第二用户的输入图像确定是否认证所述第二用户的身份包括:基于所述第二用户的输入图像生成当前图像特征模板,将所述当前图像特征模板与所述预测图像特征模板进行比较,以及确定所述当前图像特征模板是否对应于所述预测图像特征模板;以及基于确定是否认证所述第二用户的身份来执行动作。
条款9:根据条款8所述的方法,其中,基于所述一个或多个第一用户的多个图像的训练数据集训练所述第一机器学习模型包括:基于所述一个或多个第一用户的多个面部图像的训练数据集训练所述第一机器学习模型。
条款10:根据条款8或9所述的方法,其中,使用所述第一机器学习模型生成所述多个图像特征模板包括:在训练所述第一机器学习模型之后从所述第一机器学习模型提取第一图像特征模板。
条款11:根据条款8-10中任一项所述的方法,还包括:将所述第二用户的输入图像添加到所述训练数据集中的所述一个或多个第一用户的多个图像以提供更新的训练数据集;以及基于所述更新的训练数据集重新训练所述第一机器学习模型。
条款12:根据条款8-11中任一项所述的方法,其中,使用所述第一机器学习模型生成所述多个图像特征模板包括:在重新训练所述第一机器学习模型之后从所述第一机器学习模型提取第一图像特征模板。
条款13:根据条款8-12中任一项所述的方法,其中,所述第一机器学习模型是卷积神经网络模型,并且所述第二机器学习模型是长短期记忆递归神经网络模型。
条款14:根据条款8-13中任一项所述的方法,其中,所述第二用户的预测图像特征模板与所述时间间隔之后的所述第二用户的预测图像相关联。
条款15:一种计算机程序产品,所述计算机程序产品包括至少一个非瞬态计算机可读介质,所述至少一个非瞬态计算机可读介质包括一个或多个指令,所述一个或多个指令在由至少一个处理器执行时使所述至少一个处理器:基于一个或多个第一用户的多个图像的训练数据集训练第一机器学习模型,其中,所述第一机器学习模型被配置成基于所述一个或多个第一用户的输入图像认证所述一个或多个第一用户的身份;使用所述第一机器学习模型生成多个图像特征模板,其中,所述多个图像特征模板中的每个图像特征模板与在时间间隔内对所述一个或多个第一用户的身份的肯定认证相关联;基于所述多个图像特征模板生成第二机器学习模型;使用所述第二机器学习模型生成预测图像特征模板;基于第二用户的输入图像确定认证所述第二用户的身份,其中,使所述至少一个处理器基于所述第二用户的输入图像确定认证所述第二用户的身份的一个或多个指令使所述至少一个处理器:基于所述第二用户的输入图像生成当前图像特征模板,将所述当前图像特征模板与所述预测图像特征模板进行比较,以及确定所述当前图像特征模板对应于所述预测图像特征模板;以及基于确定是否认证所述第二用户的身份来执行动作。
条款16:根据条款15所述的计算机程序产品,其中,使所述至少一个处理器训练所述第一机器学习模型的一个或多个指令使所述至少一个处理器:基于所述一个或多个第一用户的多个面部图像的训练数据集训练所述第一机器学习模型。
条款17:根据条款15或16所述的计算机程序产品,其中,使所述至少一个处理器使用所述第一机器学习模型生成所述多个图像特征模板的一个或多个指令使所述至少一个处理器:在训练所述第一机器学习模型之后从所述第一机器学习模型提取第一图像特征模板。
条款18:根据条款15-17中任一项所述的计算机程序产品,其中,所述一个或多个指令还使所述至少一个处理器:将所述第二用户的输入图像添加到所述训练数据集中的所述一个或多个第一用户的多个图像以提供更新的训练数据集;以及基于所述更新的训练数据集重新训练所述第一机器学习模型。
条款19:根据条款15-18中任一项所述的计算机程序产品,其中,使所述至少一个处理器使用所述第一机器学习模型生成所述多个图像特征模板的一个或多个指令使所述至少一个处理器:在基于所述更新的训练数据集重新训练所述第一机器学习模型之后从所述第一机器学习模型提取第一图像特征模板。
条款20:根据条款15-19中任一项所述的计算机程序产品,其中,所述第二用户的预测图像特征模板与所述时间间隔之后的所述第二用户的预测图像相关联。
条款21:根据条款15-20中任一项所述的计算机程序产品,其中,所述第一机器学习模型是卷积神经网络模型,并且所述第二机器学习模型是长短期记忆递归神经网络模型。
在参考附图考虑以下描述和所附权利要求书时,本公开的这些和其他特征和特性以及相关结构元件和各部分的组合的操作方法和功能以及制造经济性将变得更加显而易见,所有附图形成本说明书的部分,其中相似附图标号在各图中标示对应部分。然而,应明确地理解,图式仅用于说明及描述的目的,且不希望作为对本公开的限制的定义。除非上下文另外明确规定,否则在本说明书和权利要求书中使用时,单数形式“一”和“所述”包括多个指示物。
附图说明
图1是其中可以根据本公开的原理实施本文中所描述的系统、装置、产品、设备和/或方法的环境的非限制性实施例或方面的图;
图2是图1的一个或多个装置和/或一个或多个系统的部件的非限制性实施例或方面的图;
图3是根据本公开的使用图像特征模板认证个体的过程的非限制性实施例或方面的流程图;以及
图4A-4H是根据本公开的使用图像特征模板认证个体的过程的实施方式的非限制性实施例或方面的图解。
具体实施方式
下文出于描述的目的,术语“端”、“上”、“下”、“右”、“左”、“竖直”、“水平”、“顶部”、“底部”、“横向”、“纵向”以及其衍生词应涉及本公开如其在附图中的定向。然而,应理解,除了明确指定相反情况之外,本公开可以采用各种替代变化和步骤序列。还应理解,附图中所说明的以及在以下说明中描述的特定装置和过程仅仅是本公开的示例性实施例或方面。因此,除非另有指示,否则与本文公开的实施例或实施例的方面相关联的特定维度和其它物理特性不应被视为限制。
本文所使用的方面、部件、元件、结构、动作、步骤、功能、指令等都不应当被理解为是关键的或必要的,除非明确地如此描述。另外,如本文所使用,冠词“一”希望包括一个或多个项目,且可与“一个或多个”和“至少一个”互换使用。此外,如本文所使用,术语“集合”希望包括一个或多个项目(例如,相关项目、不相关项目、相关项目与不相关项目的组合等),并且可与“一个或多个”或“至少一个”互换使用。在希望仅有一个项目的情况下,使用术语“一个”或类似语言。且,如本文所使用,术语“具有”等希望是开放式术语。另外,除非另外明确陈述,否则短语“基于”希望意味着“至少部分地基于”。在适当的情况下,短语“基于”还可以意指“响应于”。
如本文所使用,术语“通信”和“传达”可以指信息(例如,数据、信号、消息、指令、命令等)的接收、接纳、发送、传送、预配等。一个单元(例如,装置、系统、装置或系统的部件、其组合等)与另一单元通信意味着所述一个单元能够直接或间接地从所述另一单元接收信息和/或向所述另一单元传递(例如,发送)信息。这可以指代本质上有线和/或无线的直接或间接连接。另外,尽管所发送的信息可以在第一单元与第二单元之间被修改、处理、中继和/或路由,但这两个单元也可以彼此通信。例如,即使第一单元被动地接收信息且不会主动地将信息发送到第二单元,第一单元也可与第二单元通信。作为另一示例,如果至少一个中间单元(例如,位于第一单元与第二单元之间的第三单元)处理从第一单元接收的信息且将处理后的信息发送到第二单元,则第一单元可与第二单元通信。在一些非限制性实施例或方面中,消息可以指包括数据的网络包(例如,数据包等)。
如本文所使用,术语“发行方”、“发行方机构”、“发行方银行”或“支付装置发行方”可指向个体(例如,用户、客户等)提供用于进行例如信用支付交易和/或借记支付交易等支付交易的账户的一个或多个实体。例如,发行方机构可向客户提供唯一地标识与所述客户相关联的一个或多个账户的账户标识符,例如主账号(PAN)。在一些非限制性实施例或方面中,发行方可以与唯一地标识发行方机构的银行标识号码(BIN)相关联。如本文所使用,“发行方系统”可以指由发行方或代表发行方操作的一个或多个计算机系统,例如执行一个或多个软件应用程序的服务器。例如,发行方系统可以包括用于授权交易的一个或多个授权服务器。
如本文所使用,术语“交易服务提供商”可指向商家或其它实体接收交易授权请求且在一些情况下通过交易服务提供商与发行方机构之间的协议来提供支付保证的实体。例如,交易服务提供商可以包括支付网络,例如Ameri can/>或处理交易的任何其它实体。如本文所使用,术语“交易服务提供商系统”可以指由交易服务提供商或代表交易服务提供商操作的一个或多个计算机系统,例如执行一个或多个软件应用程序的交易服务提供商系统。交易服务提供商系统可以包括一个或多个处理器,并且在一些非限制性实施例或方面中,可由交易服务提供商或代表交易服务提供商操作。
如本文所使用,术语“商家”可以指基于支付交易等交易向用户(例如,客户、消费者等)提供商品和/或服务和/或对商品和/或服务的访问的一个或多个实体(例如,零售业务的运营商)。如本文所使用,“商家系统”可以指由商家或代表商家操作的一个或多个计算机系统,例如执行一个或多个软件应用程序的服务器。如本文所使用,术语“产品”可以指由商家提供的一个或多个商品和/或服务。
如本文所使用,术语“收单方”可以指由交易服务提供商许可且由交易服务提供商批准以发起涉及与交易服务提供商相关联的支付装置的交易(例如,支付交易)的实体。如本文所使用,术语“收单方系统”也可以指由收单方或代表收单方操作的一个或多个计算机系统、计算机装置等。收单方可发起的交易可以包括支付交易(例如,购买、原始信用交易(OCT)、账户资金交易(AFT)等)。在一些非限制性实施例或方面中,收单方可以由交易服务提供商授权以与商家或服务提供商签约,发起涉及与交易服务提供商相关联的支付装置的交易。收单方可与支付服务商签合约,以使支付服务商能够向商家提供赞助。收单方可以根据交易服务提供商规章监视支付服务商的合规性。收单方可以对支付服务商进行尽职调查,并确保在与受赞助的商家签约之前发生适当的尽职调查。收单方可能对收单方操作或赞助的所有交易服务提供商计划负责任。收单方可以负责收单方支付服务商、由收单方支付服务商赞助的商家等等的行为。在一些非限制性实施例或方面中,收单方可以是金融机构,例如银行。
如本文所使用,术语“支付网关”可指实体和/或由此类实体或代表此类实体操作的支付处理系统,所述实体(例如,商家服务提供商、支付服务提供商、支付服务商、与收单方有合约的支付服务商、支付聚合商(payment aggregator)等)向一个或多个商家提供支付服务(例如,交易服务提供商支付服务、支付处理服务等)。支付服务可以与由交易服务提供商管理的便携式金融装置的使用相关联。如本文所使用,术语“支付网关系统”可以指由支付网关或代表支付网关操作的一个或多个计算机系统、计算机装置、服务器、服务器群组等。
如本文所使用,术语“销售点(POS)装置”可以指可被商家用来进行交易(例如,支付交易)和/或处理交易的一个或多个装置。例如,POS装置可以包括一个或多个客户端装置。另外或替代地,POS装置可以包括外围装置、读卡器、扫描装置(例如,代码扫描器)、 通信接收器、近场通信(NFC)接收器、射频标识(RFID)接收器和/或其它非接触式收发器或接收器、基于接触的接收器、支付终端等。
如本文所使用,术语“销售点(POS)系统”可以指商家用来进行交易的一个或多个客户端装置和/或外围装置。例如,POS系统可以包括一个或多个POS装置,和/或可用于进行支付交易的其它类似装置。在一些非限制性实施例或方面中,POS系统(例如,商家POS系统)可以包括被编程或配置成通过网页、移动应用程序等处理在线支付交易的一个或多个服务器计算机。
如本文所使用,术语“客户端”和“客户端装置”可以指一个或多个计算装置,例如处理器、存储装置和/或访问可由服务器提供的服务的类似计算机部件。在一些非限制性实施例或方面中,客户端装置可以包括被配置成与一个或多个网络通信和/或促进支付交易的电子装置,例如但不限于一个或多个台式计算机、一个或多个便携式计算机(例如,平板计算机)、一个或多个移动装置(例如,蜂窝电话、智能手机、个人数字助理、可穿戴装置,例如手表、眼镜、镜片和/或衣服等),和/或其它类似装置。此外,术语“客户端”还可指拥有、使用和/或操作客户端装置以促进与另一实体的交易的实体。
如本文所使用,术语“服务器”可以指一个或多个计算装置,例如处理器、存储装置和/或类似计算机部件,所述计算装置在例如因特网或私用网络等网络上与客户端装置和/或其它计算装置通信,且在一些实例中,促进其它服务器和/或客户端装置之间的通信。
如本文所使用,术语“系统”可指一个或多个计算装置或计算装置组合,例如但不限于处理器、服务器、客户端装置、软件应用程序和/或其它类似部件。此外,如本文所使用,对“服务器”或“处理器”的参考可指先前所述的陈述为执行先前步骤或功能的服务器和/或处理器、不同的服务器和/或处理器,和/或服务器和/或处理器的组合。例如,如在说明书和权利要求书中所使用的,陈述为执行第一步骤或功能的第一服务器和/或第一处理器可指陈述为执行第二步骤或功能的相同或不同服务器和/或处理器。
本文结合阈值描述一些实施例或方面。如本文所使用,满足阈值可以指值大于阈值、多于阈值、高于阈值、大于或等于阈值、小于阈值、少于阈值、低于阈值、小于或等于阈值、等于阈值等。
提供了用于使用图像特征模板认证个体的改进的系统、方法和计算机程序产品。本公开的非限制性实施例或方面可以包括一种模板认证系统,所述模板认证系统包括至少一个处理器,所述至少一个处理器被编程或配置成:基于一个或多个第一用户的多个图像的训练数据集训练第一机器学习模型(例如,特征模板认证机器学习模型),其中,所述第一机器学习模型被配置成基于所述一个或多个第一用户的输入图像认证所述一个或多个第一用户的身份;使用所述第一机器学习模型生成多个图像特征模板,其中,所述多个图像特征模板中的每个图像特征模板与在时间间隔内对所述一个或多个第一用户的身份的肯定认证相关联;基于所述多个图像特征模板生成第二机器学习模型;使用所述第二机器学习模型生成预测图像特征模板;基于第二用户的输入图像确定认证所述第二用户的身份,其中,当基于所述第二用户的输入图像确定认证所述第二用户的身份时,所述至少一个处理器被编程或配置成:基于所述第二用户的输入图像生成当前图像特征模板,将所述当前图像特征模板与所述预测图像特征模板进行比较,确定所述当前图像特征模板对应于所述预测图像特征模板;并且基于确定是否认证所述第二用户的身份来执行动作。
以此方式,当个体的物理特性的各方面由于衰老而改变时,本公开的非限制性实施例或方面允许模板认证系统基于个体的物理特性的图像(例如个体的面部图像)精确地认证个体。另外,本公开的非限制性实施例或方面不需要获得和存储个体的物理特性的许多样本,因此降低了对技术资源(例如,存储器存储装置、处理资源、网络资源等)的要求。
现在参考图1,图1是其中可以实施本文所述的装置、系统、方法和/或产品的示例性环境100的图解。如图1所示,环境100包括模板认证系统102、模板认证数据库102a和用户装置104。模板认证系统102、模板认证数据库102a和用户装置104可以经由有线连接、无线连接或有线和无线连接的组合互连(例如,建立通信连接等)。
模板认证系统102可以包括一个或多个计算装置,所述一个或多个计算装置被配置成经由通信网络106与模板认证数据库102a和/或用户装置104通信。例如,模板认证系统102可以包括一组服务器和/或其它类似装置。在一些非限制性实施例或方面中,模板认证系统102可以与交易服务提供商相关联,如本文所述。另外或替代地,模板认证系统102可以与商家、支付网关、收单方机构和/或发行方系统相关联,如本文所述。
模板认证数据库102a可以包括一个或多个计算装置,所述一个或多个计算装置被配置成经由通信网络106与模板认证系统102和/或用户装置104通信。例如,模板认证数据库102a可以包括服务器、一组服务器和/或其它类似装置。在一些非限制性实施例或方面中,模板认证数据库102a可以与交易服务提供商相关联,如本文所述。另外或替代地,模板认证数据库102a可以与商家、支付网关、收单方机构和/或发行方系统相关联,如本文所述。
用户装置104可以包括计算装置,所述计算装置被配置成经由通信网络106与模板认证系统102和/或模板认证数据库102a通信。例如,用户装置104可以包括台式计算机、便携式计算机(例如,膝上型计算机、平板计算机等)、移动装置(例如,蜂窝电话、智能手机、个人数字助理、诸如智能手表、智能眼镜的可穿戴装置等)和/或类似装置。在一些非限制性实施例或方面中,用户装置104可以包括图像捕获装置,例如相机。用户装置104可以被配置成经由短程无线通信连接(例如,NFC通信连接、RFID通信连接、通信连接等)向和/或从模板认证系统102和/或模板认证数据库102a发送数据和/或接收数据。在一些非限制性实施例或方面中,用户装置104可以与用户(例如,操作装置的个体)相关联。在一些非限制性实施例或方面中,用户装置104可以包括或可以是使得用户能够利用金融机构提供的账户执行金融交易的装置的部件。例如,用户装置104可以包括或可以是自动柜员机(ATM)的部件。在一些非限制性实施例或方面中,用户装置104可以包括或可以是POS装置或POS系统的部件。例如,用户装置104可以包括或可以是自助结帐系统(例如,非收银员结帐系统、无收银员结帐系统等)的POS装置或POS系统的部件。在一些非限制性实施例或方面中,用户装置104可以是模板认证系统102的部件。
通信网络106可以包括一个或多个有线和/或无线网络。例如,通信网络106可以包括蜂窝网络(例如,长期演进(LTE)网络、第三代(3G)网络、第四代(4G)网络、码分多址(CDMA)网络等)、公用陆地移动网络(PLMN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、电话网络(例如,公共交换电话网络(PSTN))、专用网络、特用网络、内联网、因特网、基于光纤的网络、云计算网络等,和/或这些或其它类型的网络中的一些或全部的组合。
图1中所示的系统和/或装置的数目和布置作为示例提供。可以存在额外系统和/或装置、更少系统和/或装置、不同的系统和/或装置,或以与图1所示的那些不同的方式布置的系统和/或装置。此外,可以在单个系统和/或单个装置内实施图1所示的两个或更多个系统和/或装置,或图1所示的单个系统或单个装置可实施为多个分布式系统或装置。另外或替代地,环境100的一组系统或一组装置(例如,一个或多个系统、一个或多个装置)可以执行被描述为由环境100的另一组系统或另一组装置执行的一个或多个功能。
现在参考图2,图2是装置200的示例性部件的图解。装置200可对应于模板认证系统102的一个或多个装置、模板认证数据库102a的一个或多个装置、用户装置104的一个或多个装置和/或通信网络106的一个或多个装置。在一些非限制性实施例或方面中,模板认证系统102的一个或多个装置、模板认证数据库102a的一个或多个装置、用户装置104的一个或多个装置和/或通信网络106的一个或多个装置可以包括至少一个装置200和/或装置200的至少一个部件。如图2所示,装置200可以包括总线202、处理器204、存储器206、存储部件208、输入部件210、输出部件212和通信接口214。
总线202可以包括准许装置200的部件之间的通信的部件。在一些非限制性实施例或方面中,处理器204可以在硬件、软件,或硬件和软件的组合中实施。例如,处理器204可以包括处理器(例如,中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)等)、微处理器、数字信号处理器(DSP)和/或可以被编程为执行功能的任何处理部件(例如,现场可编程门阵列(FPGA)、专用集成电路(ASIC)等)。存储器206可以包括随机存取存储器(RAM)、只读存储器(ROM),和/或存储供处理器204使用的信息和/或指令的另一类型的动态或静态存储装置(例如,闪存存储器、磁存储器、光学存储器等)。
存储部件208可存储与装置200的操作和使用相关联的信息和/或软件。例如,存储部件208可以包括硬盘(例如,磁盘、光盘、磁光盘、固态磁盘等)、压缩光盘(CD)、数字多功能光盘(DVD)、软盘、盒带、磁带和/或另一类型的计算机可读介质,以及对应的驱动器。
输入部件210可以包括准许装置200例如经由用户输入(例如,触摸屏显示器、键盘、小键盘、鼠标、按钮、开关、麦克风、摄像头等)接收信息的部件。另外或替代地,输入部件210可以包括用于感测信息的传感器(例如,全球定位系统(GPS)部件、加速度计、陀螺仪、致动器等)。输出部件212可以包括提供来自装置200的输出信息的部件(例如,显示器、扬声器、一个或多个发光二极管(LED)等)。
通信接口214可以包括类似收发器的部件(例如,收发器、独立的接收器和发射器等),该类似收发器的部件使装置200能够例如经由有线连接、无线连接或有线连接和无线连接的组合与其它装置通信。通信接口214可以准许装置200接收来自另一装置的信息和/或向另一装置提供信息。例如,通信接口214可以包括以太网接口、光学接口、同轴接口、红外接口、射频(RF)接口、通用串行总线(USB)接口、接口、/>接口、/>接口、蜂窝网络接口等。
装置200可以执行本文描述的一个或多个过程。装置200可以基于处理器204执行由例如存储器206和/或存储部件208的计算机可读介质存储的软件指令来执行这些过程。计算机可读介质(例如,非瞬态计算机可读介质)在本文中定义为非瞬态存储器装置。非瞬态存储器装置包括位于单个物理存储装置内部的存储器空间或散布于多个物理存储装置上的存储器空间。
软件指令可以经由通信接口214从另一计算机可读介质或从另一装置读取到存储器206和/或存储部件208中。在被执行时,存储在存储器206和/或存储部件208中的软件指令可以使处理器204执行本文描述的一个或多个过程。另外或替代地,硬接线电路系统可以替代或结合软件指令使用以执行本文中所描述的一个或多个过程。因此,本文所描述的实施例或方面不限于硬件电路系统和软件的任何特定组合。
存储器206和/或存储部件208可以包括数据存储装置或一个或多个数据结构(例如数据库等)。装置200能够从存储器206和/或存储部件208中的数据存储装置或一个或多个数据结构接收信息、将信息存储在所述数据存储装置或一个或多个数据结构中、向所述数据存储装置或一个或多个数据结构传送信息或搜索其中存储的信息。例如,该信息可以包括输入数据、输出数据、交易数据、账户数据或其任何组合。
图2中所示的部件的数目和布置作为示例提供。在一些非限制性实施例或方面中,装置200可以包括额外部件、更少部件、不同部件或以与图2所示的那些不同的方式布置的部件。另外或替代地,装置200的一组部件(例如,一个或多个部件)可以执行被描述为由装置200的另一组部件执行的一个或多个功能。
现在参考图3,图3是使用图像特征模板认证个体的过程300的一些非限制性实施例或方面的流程图。在一些非限制性实施例或方面中,可以由模板认证系统102(例如,完全、部分地等)执行关于过程300描述的一个或多个功能。在一些非限制性实施例或方面中,过程300的一个或多个步骤可以由与模板认证系统102分离和/或包括所述模板认证系统的另一装置或一组装置(例如,模板认证数据库102a和/或用户装置104)(例如,完全地、部分地等)执行。
如图3中所示,在步骤302处,过程300可以包括生成多个图像特征模板。例如,模板认证系统102可以生成与用户装置104相关联的用户的多个图像特征模板。在一些非限制性实施例或方面中,用户的多个图像特征模板可以与时间间隔相关联。例如,模板认证系统102可以在该时间间隔内为与用户装置104相关联的用户生成多个图像特征模板。在另一示例中,模板认证系统102可以基于在该时间间隔内接收到的用户的一个或多个输入图像为用户生成多个图像特征模板中的每个图像特征模板。在一些非限制性实施例或方面中,图像特征模板可以指已使用机器学习模型以类似方式从图像计算出的特征的集合。在一些非限制性实施例或方面中,图像可以是用户的物理特性的图像。例如,图像可以包括面部图像,例如个体的面部的至少一部分的图像,其可以用于个体的身份的识别和/或认证。在一些非限制性实施例或方面中,特征模板可以是n维向量,其中向量的维度包括表示图像的特征的值。在一些非限制性实施例或方面中,模板认证系统102可以通过从第一机器学习模型的一个或多个层(例如,一层或多层)提取一个或多个特征模板来生成一个或多个特征模板。在一些非限制性实施例或方面中,模板认证系统102可以通过从第一机器学习模型提取每个图像特征模板来生成多个图像特征模板中的每个图像特征模板。例如,模板认证系统102可以通过在训练第一机器学习模型之后从第一机器学习模型提取每个图像特征模板来生成多个图像特征模板中的每个图像特征模板。
在一些非限制性实施例或方面中,第一机器学习模型可以是卷积神经网络(CNN)模型(例如,包括CNN架构的机器学习模型)。以此方式,使第一机器学习模型为CNN模型可以需要更少的存储器来运行机器学习操作,并且允许训练比其它机器学习网络模型更大、更强大的网络。以此方式,与另一类型的机器学习网络模型(例如,多层感知)相比,模板认证系统102可以更快速地生成和/或用更少资源生成更有效的机器学习网络模型。
在一些非限制性实施例或方面中,模板认证系统102可以针对该时间间隔的时间点生成多个图像特征模板中的每个图像特征模板。例如,模板认证系统102可以酌情关于该时间间隔的第一时间点为用户生成第一图像特征模板,关于该时间间隔的第二时间点为用户生成第二图像特征模板,关于该时间间隔的第三时间点为用户生成第三图像特征模板,并且关于该时间间隔的附加时间点为用户生成额外图像特征模板。
在一些非限制性实施例或方面中,模板认证系统102可以基于用户装置104在时间间隔的每个时间点提供作为模板认证系统102的输入的用户的输入图像(例如,由用户装置104在该时间点提供作为模板认证系统102的输入的用户的面部图像)针对该时间间隔的每个时间点生成每个图像特征模板。例如,模板认证系统102可以基于用户的第一输入图像(例如,在第一时间点接收的用户的第一输入图像)关于第一时间点生成第一图像特征模板,基于用户的第二输入图像(例如,在第二时间点接收的用户的第二输入图像)关于第二时间点生成第二图像特征模板,并且基于用户的第三输入图像(例如,在第三时间点接收的用户的第三输入图像)关于第三时间点生成第三图像特征模板。第一输入图像、第二输入图像和第三输入图像可以表示在序列中捕获的用户的图像。例如,该时间间隔的第一时间点可以是该时间间隔的第二时间点之前的时间点,并且该时间间隔的第二时间点可以是该时间间隔的第三时间点之前的时间点。关于第一输入图像、第二输入图像和第三输入图像中的每一个,每个输入图像可以与在该时间间隔内对用户的身份的肯定认证相关联。例如,在该时间间隔内,第一输入图像、第二输入图像和第三输入图像中的每一个可能已经被模板认证系统102确定为用户的真实图像。在一些非限制性实施例或方面中,模板认证系统102可以在该时间间隔的相应时间点或在该时间间隔之后生成多个图像特征模板中的每个图像特征模板。
在一些非限制性实施例或方面中,模板认证系统102可以为该时间间隔的每个时间点的每个图像特征模板分配相应时间点的时间戳。例如,模板认证系统102可以基于第一时间点为第一图像特征模板分配第一时间戳,基于第二时间点为第二图像特征模板分配第二时间戳,并且基于第三时间点为第三图像特征模板分配第三时间戳。
在一些非限制性实施例或方面中,模板认证系统102可以生成第一机器学习模型,其中,第一机器学习模型被配置成基于用户的图像认证用户(例如,个体)的身份。在一个示例中,第一机器学习模型可以被配置成提供关于个体的图像是否是用户的真实图像(例如,由模板认证系统102确定为真实的用户的图像)的预测,且所述预测可以(例如,由模板认证系统102或另一认证系统)用于认证用户的身份。
在一些非限制性实施例或方面中,模板认证系统102可以基于包括用户的多个图像(例如,用户的多个面部图像)的训练数据集训练(例如,初始地训练)第一机器学习模型。在一些非限制性实施例或方面中,训练数据集可以包括用户的多个图像,其中多个图像中的一个或多个图像(例如,所有图像、一组图像、一个图像等)是用户的真实图像。在一些非限制性实施例或方面中,模板认证系统102可以基于包括一个或多个用户的多个图像的训练数据集训练第一机器学习模型训练,其中第一机器学习模型被配置成基于一个或多个用户的输入图像认证一个或多个用户中的每个用户的身份。在一些非限制性实施例或方面中,模板认证系统102可以将多个图像特征模板和/或训练数据集存储在模板认证数据库102a中。
在一些非限制性实施例或方面中,模板认证系统102可以基于损失函数训练第一机器学习模型。例如,模板认证系统102可以基于使用训练数据集中的用户的多个图像中的每个图像训练第一机器学习模型来计算损失函数的结果。模板认证系统102可以向回传播损失函数的结果以更新第一机器学习模型的一个或多个权重。
在一些非限制性实施例或方面中,模板认证系统102可以使用第一机器学习模型来认证用户的身份。例如,模板认证系统102可以从用户装置104接收用户的输入图像(例如,使用用户装置104的诸如相机的图像捕获装置捕获的用户的输入图像),并且模板认证系统102可以提供用户的输入图像作为第一机器学习模型的输入。模板认证系统102可以从第一机器学习模型接收输出,该输出包括关于用户的图像是否是用户的真实图像的预测。模板认证系统102可以基于第一机器学习模型的输出确定认证用户的身份,所述输出指示已对用户的身份进行肯定认证。
在一些非限制性实施例或方面中,模板认证系统102可以使用第一机器学习模型在时间间隔内生成多个图像特征模板。例如,模板认证系统102可以使用第一机器学习模型关于时间间隔的第一时间点生成多个图像特征模板中的第一图像特征模板,使用第一机器学习模型关于时间间隔的第二时间点生成多个图像特征模板中的第二图像特征模板,使用第一机器学习模型关于时间间隔的第三时间点生成多个图像特征模板中的第三图像特征模板,并且使用第一机器学习模型关于时间间隔的额外时间点生成多个图像特征模板中的额外图像特征模板。在一些非限制性实施例或方面中,多个图像特征模板中的每个图像特征模板可以与在该时间间隔内对用户的身份的肯定认证相关联。在一个示例中,模板认证系统102可以酌情在已(例如,在该时间间隔内)对用户的身份进行第一肯定认证之后使用第一机器学习模型为用户生成第一图像特征模板,在已对用户的身份进行第二肯定认证之后使用第一机器学习模型为用户生成第二图像特征模板,在已对用户的身份进行第三肯定认证之后使用第一机器学习模型为用户生成第三图像特征模板,并且在已对用户的身份进行额外肯定认证之后使用第一机器学习模型为用户生成额外图像特征模板。
在一些非限制性实施例或方面中,模板认证系统102可以重新训练第一机器学习模型。例如,模板认证系统102可以在对用户的身份进行肯定认证之后重新训练第一机器学习模型。在此类示例中,模板认证系统102可以使用第一机器学习模型基于用户的输入图像确定是否认证用户的身份。模板认证系统102可以基于用户的输入图像确定认证用户的身份,所述输入图像指示已对用户的身份进行肯定认证。模板认证系统102可以将用户的输入图像添加到训练数据集(例如,最初从其训练机器学习模型的训练数据集)中的多个图像以提供更新的训练数据集。模板认证系统102可以基于更新的训练数据集(例如,基于更新的训练数据集中包括的一个或多个图像)重新训练第一机器学习模型。在一些非限制性实施例或方面中,模板认证系统102可以将更新的训练数据集存储在模板认证数据库102a中。在一些非限制性实施例或方面中,模板认证系统102可以通过在重新训练第一机器学习模型之后从第一机器学习模型提取一个或多个图像特征模板来生成多个图像特征模板中的一个或多个图像特征模板。在一些非限制性实施例或方面中,模板认证系统102可以在时间间隔之后组合与对用户的身份的肯定认证相关联的用户的所有输入图像以提供新的训练数据集。在一些非限制性实施例或方面中,模板认证系统102可以基于新训练数据集中包括的一个或多个图像重新训练第一机器学习模型。例如,模板认证系统102可以基于接收到与对用户的身份的肯定认证相关联的用户的一个输入图像而重新训练第一机器学习模型。在另一示例中,模板认证系统102可以基于接收到与对用户的身份的肯定认证相关联的用户的一组输入图像(例如,一批输入图像)而重新训练第一机器学习模型。
在一些非限制性实施例或方面中,模板认证系统102可以生成用户的额外输入图像。例如,模板认证系统102可以使用生成对抗网络(GAN)模型生成用户的额外输入图像。在一些非限制性实施例或方面中,模板认证系统102可以将用户的额外输入图像添加到训练数据集(例如,最初从其训练机器学习模型的训练数据集、更新的训练数据集、新训练数据集等)中的多个图像。
如图3所示,在步骤304处,过程300可以包括为用户生成预测图像特征模板。例如,模板认证系统102可以为与用户装置104相关联的用户生成一个或多个预测图像特征模板。在一些非限制性实施例或方面中,与用户装置104相关联的用户(例如,第一用户)可以不同于与用于训练第一机器学习模型的训练数据集中包括的多个图像相关联的用户(例如,第二用户)。在一些非限制性实施例或方面中,与用户装置104相关联的用户可以与和用于训练第一机器学习模型的训练数据集中包括的多个图像相关联的用户相同。
在一些非限制性实施例或方面中,用户的预测图像特征模板可以包括基于用户的关于未来时间(例如,在某个时间点或时间间隔内)的预测图像的图像特征模板。用户的关于未来时间的预测图像可以包括对用户在未来某个时间点或时间间隔期间将如何观看的预测。在一些非限制性实施例或方面中,用户的预测图像特征模板可以与在时间间隔(例如,历史时间间隔)之后的用户的预测图像相关联。例如,用户的预测图像特征可以与时间间隔之后的用户的预测图像相关联,在所述时间间隔期间,通过模板认证系统102对用户的身份进行一次或多次肯定认证。
在一些非限制性实施例或方面中,模板认证系统102可以基于多个图像特征模板为用户生成预测图像特征模板。例如,模板认证系统102可以在使用多个图像特征模板训练第二机器学习模型之后从第二机器学习模型提取预测图像特征模板。在一些非限制性实施例或方面中,模板认证系统102可以基于多个图像特征模板为用户生成多个预测图像特征模板。在一些非限制性实施例或方面中,模板认证系统102可以基于未来时间向用户的多个预测图像特征模板中的每个预测图像特征模板分配时间戳,在所述未来时间内,相应的预测图像特征模板可以用于认证用户的身份。
在一些非限制性实施例或方面中,模板认证系统102可以生成第二机器学习模型(例如,预测图像特征模板生成机器学习模型),其中,第二机器学习模型被配置成生成个体(例如,用户)的预测图像特征模板。例如,模板认证系统102可以基于多个图像特征模板生成第二机器学习模型。
在一些非限制性实施例或方面中,第二机器学习模型可以是长短期记忆(LSTM)模型(例如,包括LSTM递归神经网络架构的机器学习模型)。以此方式,LSTM模型可以在机器学习操作期间将历史信息存储在存储器中,并且与其它机器学习网络模型相比允许更准确地产生预测图像特征模板。以此方式,与其它类型的机器学习网络模型,例如多层感知或卷积神经网络相比,模板认证系统102可以利用更少的资源为用户更准确地生成预测图像特征模板。
在一些非限制性实施例或方面中,模板认证系统102可以使用第二机器学习模型生成一个或多个预测图像特征模板。例如,模板认证系统102可以通过从第二机器学习模型的一个或多个层(例如,一层或多层)提取一个或多个预测图像特征模板来生成一个或多个预测图像特征模板。
在一些非限制性实施例或方面中,模板认证系统102可以基于包括多个图像特征模板的训练数据集训练(例如,初始地训练)第二机器学习模型。在一些非限制性实施例或方面中,训练数据集可以包括多个图像特征模板,其中,多个图像的一个或多个图像特征模板(例如,所有图像特征模板、一组图像特征模板、一个图像特征模板等)与对用户的身份的肯定认证相关联。在一些非限制性实施例或方面中,模板认证系统102可以将预测图像特征模板和/或训练数据集存储在模板认证数据库102a中。
如图3中所示,在步骤306处,过程300可以包括基于用户的输入图像确定是否认证用户。例如,模板认证系统102可以基于用户的输入图像和用户的预测图像特征模板确定是否在运行时(例如,实时)过程期间认证与用户装置104相关联的用户的身份。在一些非限制性实施例或方面中,模板认证系统102可以基于用户的输入图像为用户生成当前图像特征模板(例如,在运行时过程期间生成的图像特征模板),将用户的当前图像特征模板与用户的预测图像特征模板进行比较,并确定用户的当前图像特征模板是否对应于用户的预测图像特征模板。如果模板认证系统102确定用户的当前图像特征模板对应于用户的预测图像特征模板,则模板认证系统102可以确定认证用户。如果模板认证系统102确定用户的当前图像特征模板不对应于用户的预测图像特征模板,则模板认证系统102可以确定不认证用户。在一些非限制性实施例或方面中,模板认证系统102可以使用第一机器学习模型为用户生成当前图像特征模板。例如,模板认证系统102可以通过从第一机器学习模型的一个或多个层(例如,一层或多层)提取当前图像特征模板来生成当前图像特征模板。例如,模板认证系统102可以通过在提供用户的输入图像作为第一机器学习模型的输入之后和/或在训练第一机器学习模型之后从第一机器学习模型提取当前图像特征模板来生成当前图像特征模板。
在一些非限制性实施例或方面中,模板认证系统102可以基于与运行时过程相关联的时间确定用户的当前图像特征模板是否对应于用户的预测图像特征模板。例如,模板认证系统102可以确定与运行时过程相关联的时间(例如,运行时过程正在发生的时间点或运行时过程正在发生的时间间隔)。模板认证系统102可以基于与运行时过程相关联的时间从模板认证数据库102a中存储的用户的多个预测图像特征模板检索用户的预测图像特征模板。在一些非限制性实施例或方面中,模板认证系统102可以使用与运行时过程相关联的时间检索用户的预测图像特征模板。例如,模板认证系统102可以从用户的多个预测图像特征模板中选择用户的预测图像特征模板,所述预测图像特征模板被分配对应于与运行时过程相关联的时间的时间戳。模板认证系统102可以检索用户的预测图像特征模板,并且模板认证系统102可以将用户的当前图像特征模板与用户的预测图像特征模板进行比较。模板认证系统102可以基于将用户的当前图像特征模板与用户的预测图像特征模板进行比较来确定用户的当前图像特征模板是否对应于用户的预测图像特征模板。
在一些非限制性实施例或方面中,模板认证系统102可以基于距离确定用户的当前图像特征模板是否对应于用户的预测图像特征模板。例如,模板认证系统102可以确定用户的当前图像特征模板的一个或多个值与用户的预测图像特征模板的一个或多个值之间的距离(例如,欧几里德距离)。模板认证系统102可以通过将该距离与阈值进行比较来确定该距离是否满足阈值。如果模板认证系统102确定该距离满足阈值,则模板认证系统102可以确定用户的当前图像特征模板对应于用户的预测图像特征模板。如果模板认证系统102确定该距离不满足阈值,则模板认证系统102可以确定用户的当前图像特征模板不对应于用户的预测图像特征模板。
如图3所示,在步骤308处,过程300可以包括基于确定是否认证用户来执行动作。例如,模板认证系统102可以基于确定是否认证与用户装置104相关联的用户的身份来执行动作。在一些非限制性实施例或方面中,模板认证系统102可以基于确定是否认证与用户装置104相关联的用户的身份来执行与允许或阻止访问(例如,访问用户的账户、访问计算机系统等)相关联的动作。例如,模板认证系统102可以基于确定认证与用户装置104相关联的用户的身份来执行与允许访问相关联的动作。在另一示例中,模板认证系统102可以基于确定不认证与用户装置104相关联的用户的身份来执行与阻止访问相关联的动作。
在一些非限制性实施例或方面中,模板认证系统102可以执行与授权操作(例如,与运行时过程相关联的操作,例如支付交易、计算机系统执行运行时命令的操作等)相关联的动作,所述操作将基于确定是否认证与用户装置104相关联的用户的身份来执行。例如,模板认证系统102可以基于确定认证与用户装置104相关联的用户的身份来执行与授权执行操作相关联的动作。在另一示例中,模板认证系统102可以基于确定不认证与用户装置104相关联的用户的身份来执行与不授权执行操作相关联的动作。
在一些非限制性实施例或方面中,模板认证系统102可以发送关于认证过程的消息。例如,模板认证系统102可以向用户装置104发送消息,该消息包括已基于模板认证系统102确定认证用户的身份而认证用户的身份的指示。在另一示例中,模板认证系统102可以向用户装置104发送消息,该消息包括已基于模板认证系统102确定不认证用户的身份而未认证用户的身份的指示。
在一些非限制性实施例或方面中,模板认证系统102可以发送消息,该消息包括基于模板认证系统102确定不认证用户的身份而对与用户装置104相关联的用户提供额外认证参数的请求。例如,模板认证系统102可以经由用户装置104(例如,经由用户装置104的图像捕获装置)发送消息,该消息包括对用户提供手势,例如与挥手以进行确认相关联的运动的请求。
现在参考图4A–4H,图4A-4H是使用图像特征模板认证个体的过程(例如,过程300)的实施方式400的图解。如图4A中的附图标记405所示,模板认证系统102可以初始地训练第一机器学习模型(例如,特征模板认证机器学习模型)。在一些非限制性实施例或方面中,模板认证系统102可以基于包括用户的多个面部图像的训练数据集初始地训练第一机器学习模型。在一些非限制性实施例或方面中,所述训练数据集可以包括用户的多个面部图像,其中,所述多个面部图像中的每个面部图像是所述用户的真实面部图像。在一些非限制性实施例或方面中,第一机器学习模型被配置成基于用户的输入面部图像(例如,由用户装置104提供给模板认证系统102的包括用户的面部图像的输入)来认证用户的身份。在一些非限制性实施例或方面中,第一机器学习模型可以是卷积神经网络(CNN)模型(例如,包括CNN架构的机器学习模型)。
如图4B中的附图标记410所示,模板认证系统102可以使用第一机器学习模型为与用户装置104相关联的用户生成多个图像特征模板。在一些非限制性实施例或方面中,模板认证系统102可以使用第一机器学习模型在时间间隔内生成多个图像特征模板。例如,模板认证系统102可以使用第一机器学习模型关于时间间隔的第一时间点生成多个图像特征模板中的第一图像特征模板,使用第一机器学习模型关于时间间隔的第二时间点生成多个图像特征模板中的第二图像特征模板,并且使用第一机器学习模型关于时间间隔的第三时间点生成多个图像特征模板中的第三图像特征模板。在一些非限制性实施例或方面中,所述时间间隔可以是在此期间已对用户的身份进行预定次数的肯定认证的时间间隔。
如图4C中的附图标记415所示,模板认证系统102可以基于与用户装置104相关联的用户的多个图像特征模板生成第二机器学习模型(例如,预测图像特征模板生成机器学习模型)。在一些非限制性实施例或方面中,第二机器学习模型被配置成生成与用户装置104相关联的用户的预测图像特征模板。在一些非限制性实施例或方面中,模板认证系统102可以基于包括多个图像特征模板的训练数据集初始地训练第二机器学习模型。
如图4D中的附图标记420所示,模板认证系统102可以使用第二机器学习模型为与用户装置104相关联的用户生成预测图像特征模板。在一些非限制性实施例或方面中,模板认证系统102可以通过从第二机器学习模型的一个或多个层(例如,一层或多层)提取预测图像特征模板来生成预测图像特征模板。
如图4E中的附图标记425所示,模板认证系统102可以从用户装置104接收输入面部图像。在一些非限制性实施例或方面中,模板认证系统102可以在运行时(例如,实时)过程期间从用户装置104接收输入面部图像,所述运行时过程在生成多个图像特征模板的时间间隔之后发生。例如,模板认证系统102可以在涉及商家位置(例如,商家的商店)处的自助结账系统(例如,用户装置104是其部件的自助结账系统)的结账过程期间从用户装置104接收输入面部图像。
如图4F和4G中所示,模板认证系统102可以基于用户的输入面部图像确定是否认证与用户装置104相关联的用户的身份。如图4F中的附图标记430所示,模板认证系统102可以基于用户的输入面部图像生成用户的当前图像特征模板。在一些非限制性实施例或方面中,模板认证系统102可以通过在提供输入面部图像作为第一机器学习模型的输入之后从第一机器学习模型的一个或多个层(例如,一层或多层)提取当前图像特征模板来生成当前图像特征模板。如图4G中的附图标记435所示,模板认证系统102可以将用户的当前图像特征模板与用户的预测图像特征模板进行对比。如图4G中的附图标记440进一步所示,模板认证系统102可以确定用户的当前图像特征模板是否对应于用户的预测图像特征模板。在一些非限制性实施例或方面中,模板认证系统102可以基于确定用户的当前图像特征模板对应于用户的预测图像特征模板来确定认证与用户装置104相关联的用户的身份。在一些非限制性实施例或方面中,模板认证系统102可以基于确定用户的当前图像特征模板不对应于用户的预测图像特征模板来确定不认证与用户装置104相关联的用户的身份。
如图4H中所示,模板认证系统102可以基于确定是否认证与用户装置104相关联的用户的身份来执行动作。如图4H中的附图标记445所示,模板认证系统102可以向用户装置104发送关于认证过程的消息。例如,模板认证系统102可以发送消息,该消息包括已基于模板认证系统102确定认证用户的身份而认证用户的身份的指示。在另一示例中,模板认证系统102可以发送消息,该消息包括已基于模板认证系统102确定不认证用户的身份而未认证用户的身份的指示。
在一些非限制性实施例或方面中,模板认证系统102可以发送消息,该消息包括基于模板认证系统102确定不认证用户的身份而对与用户装置104相关联的用户提供额外认证参数的请求。例如,模板认证系统102可以经由用户装置104(例如,经由用户装置104的图像捕获装置)发送消息,该消息包括对用户提供手势,例如与挥手以进行确认相关联的运动的请求。
尽管已出于说明的目的基于当前被视为最实用和优选的实施例或方面详细地描述了以上方法、系统和计算机程序产品,但应理解,此类细节仅用于所述说明目的,并且本公开不限于所描述实施例或方面,相反,本公开旨在涵盖属于所附权利要求书的精神和范围内的修改和等同布置。例如,应理解,本公开预期,尽可能地,任何实施例或方面的一个或多个特征可与任何其它实施例或方面的一个或多个特征组合。
Claims (20)
1.一种系统,包括:
至少一个处理器,所述至少一个处理器被编程或配置成:
基于一个或多个第一用户的多个图像的训练数据集训练第一机器学习模型,其中,所述第一机器学习模型被配置成基于所述一个或多个第一用户的输入图像认证所述一个或多个第一用户的身份;
使用所述第一机器学习模型生成多个图像特征模板,其中,所述多个图像特征模板中的每个图像特征模板与在时间间隔内对所述一个或多个第一用户的身份的肯定认证相关联;
基于所述多个图像特征模板生成第二机器学习模型;
使用所述第二机器学习模型生成预测图像特征模板;
基于第二用户的输入图像确定认证所述第二用户的身份,其中,当基于所述第二用户的输入图像确定认证所述第二用户的身份时,所述至少一个处理器被编程或配置成:
基于所述第二用户的输入图像生成当前图像特征模板,
将所述当前图像特征模板与所述预测图像特征模板进行比较,以及
确定所述当前图像特征模板对应于所述预测图像特征模板;以及
基于确定是否认证所述第二用户的身份来执行动作。
2.根据权利要求1所述的系统,其中,当基于所述一个或多个第一用户的多个图像的训练数据集训练所述第一机器学习模型时,所述至少一个处理器被编程或配置成:
基于所述一个或多个第一用户的多个面部图像的训练数据集训练所述第一机器学习模型。
3.根据权利要求1所述的系统,其中,当使用所述第一机器学习模型生成所述多个图像特征模板时,所述至少一个处理器被编程或配置成:
在训练所述第一机器学习模型之后从所述第一机器学习模型提取第一图像特征模板。
4.根据权利要求1所述的系统,其中,所述至少一个处理器被编程或配置成:
将所述第二用户的输入图像添加到所述训练数据集中的所述一个或多个第一用户的多个图像以提供更新的训练数据集;以及
基于所述更新的训练数据集重新训练所述第一机器学习模型。
5.根据权利要求4所述的系统,其中,当使用所述第一机器学习模型生成所述多个图像特征模板时,所述至少一个处理器被编程或配置成:
在基于所述更新的训练数据集重新训练所述第一机器学习模型之后,从所述第一机器学习模型提取第一图像特征模板。
6.根据权利要求1所述的系统,其中,所述第一机器学习模型是卷积神经网络模型,并且所述第二机器学习模型是长短期记忆递归神经网络模型。
7.根据权利要求1所述的系统,其中,所述第二用户的预测图像特征模板与所述时间间隔之后的所述第二用户的预测图像相关联。
8.一种方法,包括:
利用至少一个处理器,基于一个或多个第一用户的多个图像的训练数据集训练第一机器学习模型,其中,所述第一机器学习模型被配置成基于所述一个或多个第一用户的输入图像认证所述一个或多个第一用户的身份;
利用至少一个处理器,使用所述第一机器学习模型生成多个图像特征模板,其中,所述多个图像特征模板中的每个图像特征模板与在时间间隔内对所述一个或多个第一用户的身份的肯定认证相关联;
利用至少一个处理器,基于所述多个图像特征模板生成第二机器学习模型;
利用至少一个处理器,使用所述第二机器学习模型生成预测图像特征模板;
利用至少一个处理器,基于第二用户的输入图像确定是否认证所述第二用户的身份,其中,基于所述第二用户的输入图像确定是否认证所述第二用户的身份包括:
基于所述第二用户的输入图像生成当前图像特征模板;
将所述当前图像特征模板与所述预测图像特征模板进行比较;以及
确定所述当前图像特征模板是否对应于所述预测图像特征模板;以及
基于确定是否认证所述第二用户的身份来执行动作。
9.根据权利要求8所述的方法,其中,基于所述一个或多个第一用户的多个图像的训练数据集训练所述第一机器学习模型包括:
基于所述一个或多个第一用户的多个面部图像的训练数据集训练所述第一机器学习模型。
10.根据权利要求8所述的方法,其中,使用所述第一机器学习模型生成所述多个图像特征模板包括:
在训练所述第一机器学习模型之后,从所述第一机器学习模型提取第一图像特征模板。
11.根据权利要求8所述的方法,还包括:
将所述第二用户的输入图像添加到所述训练数据集中的所述一个或多个第一用户的多个图像以提供更新的训练数据集;以及
基于所述更新的训练数据集重新训练所述第一机器学习模型。
12.根据权利要求11所述的方法,其中,使用所述第一机器学习模型生成所述多个图像特征模板包括:
在重新训练所述第一机器学习模型之后,从所述第一机器学习模型提取第一图像特征模板。
13.根据权利要求8所述的方法,其中,所述第一机器学习模型是卷积神经网络模型,并且所述第二机器学习模型是长短期记忆递归神经网络模型。
14.根据权利要求8所述的方法,其中,所述第二用户的预测图像特征模板与所述时间间隔之后的所述第二用户的预测图像相关联。
15.一种计算机程序产品,所述计算机程序产品包括至少一个非瞬态计算机可读介质,所述至少一个非瞬态计算机可读介质包括一个或多个指令,所述一个或多个指令在由至少一个处理器执行时使所述至少一个处理器:
基于一个或多个第一用户的多个图像的训练数据集训练第一机器学习模型,其中,所述第一机器学习模型被配置成基于所述一个或多个第一用户的输入图像认证所述一个或多个第一用户的身份;
使用所述第一机器学习模型生成多个图像特征模板,其中,所述多个图像特征模板中的每个图像特征模板与在时间间隔内对所述一个或多个第一用户的身份的肯定认证相关联;
基于所述多个图像特征模板生成第二机器学习模型;
使用所述第二机器学习模型生成预测图像特征模板;
基于第二用户的输入图像确定认证所述第二用户的身份,其中,使所述至少一个处理器基于所述第二用户的输入图像确定认证所述第二用户的身份的一个或多个指令使所述至少一个处理器:
基于所述第二用户的输入图像生成当前图像特征模板,
将所述当前图像特征模板与所述预测图像特征模板进行比较,以及
确定所述当前图像特征模板对应于所述预测图像特征模板;以及
基于确定是否认证所述第二用户的身份来执行动作。
16.根据权利要求15所述的计算机程序产品,其中,使所述至少一个处理器训练所述第一机器学习模型的一个或多个指令使所述至少一个处理器:
基于所述一个或多个第一用户的多个面部图像的训练数据集训练所述第一机器学习模型。
17.根据权利要求15所述的计算机程序产品,其中,使所述至少一个处理器使用所述第一机器学习模型生成所述多个图像特征模板的一个或多个指令使所述至少一个处理器:
在训练所述第一机器学习模型之后从所述第一机器学习模型提取第一图像特征模板。
18.根据权利要求15所述的计算机程序产品,其中所述一个或多个指令还使所述至少一个处理器:
将所述第二用户的输入图像添加到所述训练数据集中的所述一个或多个第一用户的多个图像以提供更新的训练数据集;以及
基于所述更新的训练数据集重新训练所述第一机器学习模型。
19.根据权利要求18所述的计算机程序产品,其中,使所述至少一个处理器使用所述第一机器学习模型生成所述多个图像特征模板的一个或多个指令使所述至少一个处理器:
在基于所述更新的训练数据集重新训练所述第一机器学习模型之后,从所述第一机器学习模型提取第一图像特征模板。
20.根据权利要求15所述的计算机程序产品,其中,所述第二用户的预测图像特征模板与所述时间间隔之后的所述第二用户的预测图像相关联。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/118,740 US20220188598A1 (en) | 2020-12-11 | 2020-12-11 | System, Method, and Computer Program Product for Evolutionary Learning in Verification Template Matching During Biometric Authentication |
US17/118,740 | 2020-12-11 | ||
PCT/US2021/047706 WO2022125157A1 (en) | 2020-12-11 | 2021-08-26 | System, method, and computer program product for evolutionary learning in verification template matching during biometric authentication |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116457801A true CN116457801A (zh) | 2023-07-18 |
Family
ID=81941484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180069731.XA Pending CN116457801A (zh) | 2020-12-11 | 2021-08-26 | 用于在生物特征认证期间在验证模板匹配中的进化学习的系统、方法和计算机程序产品 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220188598A1 (zh) |
EP (1) | EP4260251A4 (zh) |
CN (1) | CN116457801A (zh) |
WO (1) | WO2022125157A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10769428B2 (en) * | 2018-08-13 | 2020-09-08 | Google Llc | On-device image recognition |
US11216541B2 (en) * | 2018-09-07 | 2022-01-04 | Qualcomm Incorporated | User adaptation for biometric authentication |
US10693872B1 (en) * | 2019-05-17 | 2020-06-23 | Q5ID, Inc. | Identity verification system |
US20210329306A1 (en) * | 2020-04-15 | 2021-10-21 | Nvidia Corporation | Video compression using neural networks |
-
2020
- 2020-12-11 US US17/118,740 patent/US20220188598A1/en active Pending
-
2021
- 2021-08-26 WO PCT/US2021/047706 patent/WO2022125157A1/en active Application Filing
- 2021-08-26 CN CN202180069731.XA patent/CN116457801A/zh active Pending
- 2021-08-26 EP EP21904042.5A patent/EP4260251A4/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220188598A1 (en) | 2022-06-16 |
EP4260251A1 (en) | 2023-10-18 |
WO2022125157A1 (en) | 2022-06-16 |
EP4260251A4 (en) | 2024-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2017316312B2 (en) | Remote usage of locally stored biometric authentication data | |
US10803436B2 (en) | Methods and a system for continuous automated authentication | |
US20210365979A1 (en) | Providing Hands-Free Data for Interactions | |
US20170364920A1 (en) | Security approaches for virtual reality transactions | |
US11783335B2 (en) | Transaction confirmation and authentication based on device sensor data | |
US11741475B2 (en) | System, method, and computer program product for evaluating a fraud detection system | |
US20230099864A1 (en) | User profiling based on transaction data associated with a user | |
US20210304316A1 (en) | System, Method, and Computer Program Product for Patient Authentication and Identity Risk Assessment | |
KR20200002785A (ko) | 생체 특징 데이터베이스 구축 방법 및 장치 | |
US20240086422A1 (en) | System, Method, and Computer Program Product for Analyzing a Relational Database Using Embedding Learning | |
US20230020600A1 (en) | System, Method, and Computer Program Product for Authenticating a Transaction | |
US11481671B2 (en) | System, method, and computer program product for verifying integrity of machine learning models | |
WO2022261420A1 (en) | System, method, and computer program product for anomaly detection in multivariate time series | |
US20210027300A1 (en) | System, Method, and Computer Program Product for Generating Aggregations Associated with Predictions of Transactions | |
US20220215393A1 (en) | Real-time updating of a security model | |
EP4163854A1 (en) | Systems and methods for conducting remote user authentication | |
US20220188598A1 (en) | System, Method, and Computer Program Product for Evolutionary Learning in Verification Template Matching During Biometric Authentication | |
US20210166122A1 (en) | System, Method, and Computer Program Product for Determining Adversarial Examples | |
US20240028975A1 (en) | System, Method, and Computer Program Product for Feature Similarity-Based Monitoring and Validation of Models | |
WO2024107183A1 (en) | System, method, computer program product for use of machine learning framework in adversarial attack detection | |
US20240160854A1 (en) | System, Method, and Computer Program Product for Debiasing Embedding Vectors of Machine Learning Models | |
Wójtowicz et al. | Payment authorization in smart environments: security-convenience balance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |