वक्रलेट परिवर्तन का उपयोग करके प्रतिकूल आइरिस छवियों को पहचानने के लिए एक अनुकूलित रक्षात्मक तकनीक

गहन शिक्षण कंप्यूटर विज्ञान की सबसे लोकप्रिय तकनीकों में से एक है, जिसका उपयोग प्राकृतिक भाषा प्रसंस्करण, छवि प्रसंस्करण, पैटर्न पहचान और विभिन्न अन्य क्षेत्रों में होता है। इन गहन शिक्षण एल्गोरिदम की कई परिदृश्यों जैसे स्पैम पहचान, मैलवेयर पहचान, वस्तु पहचान और ट्रैकिंग, चेहरे की पहचान, और स्वचालित ड्राइविंग में सफलता के बावजूद, ये एल्गोरिदम और उनके संबंधित प्रशिक्षण डेटा कई सुरक्षा खतरों के प्रति अपेक्षाकृत संवेदनशील हैं। ये खतरे अंततः महत्वपूर्ण प्रदर्शन गिरावट का कारण बनते हैं। इसके अलावा, पर्यवेक्षित आधारित शिक्षण मॉडल को ऐसे डेटा द्वारा प्रभावित किया जाता है जिसे प्रतिकूल उदाहरण के रूप में जाना जाता है, जो विशेष स्तर के शोर के साथ छवियाँ होती हैं जो मनुष्यों के लिए अदृश्य होती हैं। प्रतिकूल इनपुट को जानबूझकर न्यूरल नेटवर्क को भ्रमित करने के लिए पेश किया गया है, जो इसे जैवमेट्रिक्स अनुप्रयोगों जैसे संवेदनशील आवेदन क्षेत्रों में उपयोग करने से रोकता है। इस पेपर में, प्रतिकूल आइरिस उदाहरणों को प्रभावी ढंग से पहचानने के लिए एक अनुकूलित रक्षा दृष्टिकोण का प्रस्ताव है। इस रक्षा रणनीति में वक्रलेट परिवर्तन डीनॉइज़िंग विधि का उपयोग किया जाता है, जो प्रतिकूल छवियों के प्रत्येक उप-बैंड का मूल्यांकन करता है और हमलावर द्वारा परिवर्तित छवि को पुन: उत्पन्न करता है। पुनर्निर्मित आइरिस छवि से महत्वपूर्ण आइरिस सुविधाएँ एक पूर्व-प्रशिक्षित संयोजन न्यूरल नेटवर्क मॉडल (VGG 16) का उपयोग करके प्राप्त की जाती हैं, जिसके बाद बहु-वर्ग वर्गीकरण होता है। वर्गीकरण समर्थन वेक्टर मशीन (SVM) का उपयोग करके किया जाता है, जो कण झुंड अनुकूलन विधि (PSO-SVM) का उपयोग करता है। प्रस्तावित प्रणाली को FGSM, iGSM और डीपफूल विधियों जैसे विभिन्न प्रतिकूल हमलों से प्रभावित प्रतिकूल आइरिस छवियों को वर्गीकृत करते समय परीक्षण किया गया है। मील का पत्थर आइरिस डेटासेट, जिसे IITD कहा जाता है, पर एक प्रयोगात्मक परिणाम उत्कृष्ट परिणाम उत्पन्न करता है, जिसकी औसत सटीकता 95.8% है।