การเรียนรู้ของเครื่องในการพิสูจน์ตัวตนด้วยชีวมาตร
Article Sidebar
Main Article Content
บทคัดย่อ
ไบโอเมตริกซ์ เป็นนวัตกรรมที่มีการพัฒนาอย่างรวดเร็วในยุคที่ปัญญาประดิษฐ์แพร่หลาย โดยอัตลักษณ์ดิจิทัลของมนุษย์ที่นิยม ใช้ในการพิสูจน์ตัวตนในอุปกรณ์ทั่วไปและอุปกรณ์เคลื่อนที่ ได้แก่ ลายนิ้วมือ ม่านตา และใบหน้า ด้วยความเป็นเอกลักษณ์และ ความสะดวกในการใช้งานที่ให้ทั้งความปลอดภัยและความรวดเร็วในการทำรายการ ทั้งยังเป็นการเพิ่มความมั่นใจให้กับผู้ทำธุรกรรมออนไลน์และผู้ใช้อุปกรณ์เคลื่อนที่ในยุคปกติใหม่ จนรหัสผ่านเพื่อพิสูจน์ตัวตนแบบดั้งเดิมได้รับความนิยมน้อยลง การ ทำงานของระบบการพิสูจน์ตัวตนแบบไบโอเมตริกซ์ใช้เทคนิคการประมวลผลภาพและการจดจำรูปแบบ คุณภาพของภาพนำเข้า จึงมีผลต่อประสิทธิภาพของระบบอย่างมาก ความท้าทายที่สำคัญ ในการประมวลผลของระบบเกิดจากการนำเข้าภาพที่มีสัญญาณ รบกวน ตัวอย่างทางพยาธิสภาพที่ไม่ดี และสภาพแวดล้อมที่ยากต่อการควบคุม ดังนั้น การบูรณาการการเรียนรู้ของเครื่องเข้า กับระบบพิสูจน์ตัวตนแบบไบโอเมตริกซ์จึงเป็นนวัตกรรมทางเลือกที่ได้รับความสนใจในการเพิ่มความชาญฉลาดและประสิทธิภาพ ของกระบวนการตรวจสอบความถูกต้อง ขณะเดียวกันยังช่วยลดเวลาในการประมวลผล และลดกระบวนการที่ซับซ้อนโดย ไม่ต้องปรับแก้โปรแกรม บทความวิชาการนี้จึงจัดทำขึ้นเพื่อประเมินจุดแข็ง และจุดอ่อนของไบโอเมตริกซ์ข้างต้น โดยนำเสนอ หลักฐานเชิงประจักษ์เกี่ยวกับความก้าวหน้าในการบูรณาการการเรียนรู้ของเครื่องเข้ากับระบบพิสูจน์ตัวตนแบบไบโอเมตริกซ์ ประโยชน์ที่ได้ คือ การให้ข้อมูลทางเลือกที่เหมาะสม คุ้มค่า และมีประสิทธิภาพสำหรับผู้ที่กำลังมองหาเทคโนโลยีรักษา ความปลอดภัยในการทำธุรกรรมต่างๆ เช่น การจองที่พัก การทำรายการบัญชีธนาคาร การขอรับสวัสดิการจากรัฐ การรับคำขอ เป็นเพื่อนบนโซเชียลมีเดีย หรือการมีปฎิสัมพันธ์อื่นๆทางออนไลน์
Article Details
References
สุวิมล วงศ์สิงห์ทอง. (2565). การบริหารความมั่นคงสารสนเทศ. มหาวิทยาลัยเกริก. ศูนย์วิจัยและผลิตตำรา. มหาวิทยาลัยเกริก. 364 หน้า.
Ali, R. (2021). AI-enabled Decision Support System: Methodologies, Applications, and Advancements 2021. Scientific Programming 2021(Article ID 3225687). doi:https://doi.org/10.1155/2021/3225687
Arsalan, M., Hong, H. G., Naqvi, R. A., Lee, M. B., Kim, M. C., Kim, D. S., . . . Park, K. R. (2017). Deep Learning-Based Iris Segmentation for Iris Recognition in Visible Light Environment. Symmetry, 9(263), 1-25. https://mdpi-res.com/d_attachment/symmetry/symmetry-09-00263/article_deploy/symmetry-09-00263.pdf?version=1509792574
Bazrafkan, S., Thavalengal, S., & Corcoran, P. (2018). An End to End Deep Neural Network for Iris Segmentation in Unconstraint Scenarios. Neural Networks, 106, 79-95. https://doi.org/10.1016/j.neunet.2018.06.011
Bock, F.E., Aydin, R.C., Cyron, C.J., Huber, N., Kalidindi, S.R., Klusemann, B. (2019). A Review of the Application of Machine Learning and Data Mining Approaches in Continuum Materials Mechanics. Sec. Computational Materials Science Front. Mater. 6:110. https://doi.
org/10.3389/fmats.2019.00110
Bonazza, P., Mitéran, J., Ginhac, D., & Dubois, J. (2018). PhD Forum : Machine Learning VS Transfer Learning Smart Camera Implementation for Face Authentication. Paper presented at the ICDSC ’18, September 3–4, 2018, Eindhoven, Netherlands. https://doi.org /10.1145/3243394.3243710
Charniak, E. (2018). Introduction to Deep Learning, The MIT Press Cambridge, Massachusetts London, England
Daugman J., 2004. How Iris Recognition Works.IEEE Transactions on Circuits and Systems for Video Technology, Vol. 14, No. 1, January 2004
Fazala, M. I., Patela, M. E., Tyea, J., & Guptab, Y. (2018). The past, present and future role of artificial intelligence in imaging. European Journal of Radiology, 105, 246-250. https://doi.org/10.1016/j.ejrad.2018.06.020
Goodfellow, I., Bengio, Y., Courville, A. (2022). Deep Learning (Adaptive Computation and Machine Learning series). The MIT Press
Jayashree, R. (2020). Analysis of Aadhaar Card Dataset Using Big Data Analytics. In: Hemanth, D., Kumar, V., Malathi, S., Castillo, O., Patrut, B. (eds) Emerging Trends in Computing and Expert Technology. COMET 2019. Lecture Notes on Data Engineering and Communications Technologies, vol 35. Springer, Cham. https://doi.org/10.1007/978-3-030-32150-5_123
Kantardzic, M. (2020). DATA MINING Concepts, Models, Methods, and Algorithms Third Edition, IEEE Press, Wiley
Kim, H., Cui, X., Kim, M.-G., & Nguyen, T. H. B. (2019). "Fingerprint Generation and Presentation Attack Detection using Deep Neural Networks," 2019 IEEE Conference on Multimedia Information Processing and Retrieval (MIPR), 2019, pp. 375-378, doi: 10.1109/MIPR.2019.00074.
Lardinois, F. (2021, October 27, 2021). Delta Air Lines partners with TSA PreCheck to launch biometrics-based bag drops. https://techcrunch.com/2021/10/27/delta-air-lines-partners-with-tsa-precheck-to-launch-biometrics-based-bag-drops/
Macdonald, A. (2022). Interpol program for fighting terrorism through biometrics deployed in Cameroon. Biometric.Update.com. https://www.biometricupdate.com/202201/interpol-program-for-fighting-terrorism-through-biometrics-deployed-in-cameroon
Mahdavinejad, M.S., Rezvan, M., Barekatain, M., Adibi, P., Barnaghi, P., Sheth, A.P.(2018). Machine learning for internet of things data analysis: a survey. Digital Communications and Networks, p 161-175. https://doi.org/10.1016/j.dcan.2017.10.002
Marsico, M. D., Petrosino, A., & Ricciardi, S. (2016). Iris Recognition through Machine Learning Techniques: a Survey. Pattern Recognition Letters. doi:10.1016/j.patrec.2016.02.001
Manjunatha, V., Ramalingam, S., Marks, T., Davis, L. (2018). Class Subset Selection for Transfer Learning using Submodularity. https://arXiv:1804.00060v1 [cs.CV] 30 Mar 2018
Matsumi, S., Nozaki, Y., Yoshikawa, M. (2018). Feature Extraction Driven Modeling Attack Against Double Arbiter PUF and Its Evaluation, AICCC ‘18, December 21–23, 2018, Tokyo, Japan. DOI: https://doi.org/10.1145/3299819.3299835
Nguyen, H. T., & Nguyen, L. T. (2019). Fingerprints Classification through Image Analysis and Machine Learning Method .doi:10.3390/a12110241.
Noh, N. S. M., Jaafar, H., Mustafa, W. A., Idrus, S. Z. S., & Mazelan, A. H. (2020). Smart Home with Biometric System Recognition. Journal of Physics: Conference Series, 1529 042020. doi:10.1088/1742-6596/1529/4/042020
Phillips, T., Zou, X., Li, F., & Li, N. (2019). Enhancing Biometric-Capsule-based Authentication and Facial Recognition via Deep Learning. Paper presented at the the 24th ACM Symposium,SACMAT ’19, June 3–6, 2019, 141-146, Toronto, ON, Canada. https://doi.org/10.1145/3322431.3325417
Seffers, G. I. (2020). FBI Upgrades Biometric Technologies. Signal. doi:https://www.afcea.org/content/fbi-upgrades-biometric-technologies
Seven Bank, L. (2019). Introducing a Next-generation ATM with face recognition and QR code reader. https://www.sevenbank.co.jp/english/ir/pdf/2019/20190912_E1.pdf
Shepard, S. (2016). Dallas Area Rapid Transit to Increase Security with Cameras. Security Today. doi:https://securitytoday.com/articles/2016/02/19/dallas-area-rapid-transit-to-increase-security-with-cameras.aspx?admgarea=ht.networkcentric&m=1
Smith-Creasey, M., Albalooshib, F. A., & Rajarajana, M. (2018). Continuous face authentication scheme for mobile devices with tracking and liveness detection. Microprocessors and Microsystems, 63, 147-157. https://doi.org/10.1016/j.micpro.2018.07.008
Tarare, S., Anjikar, A., & Turkar, H. (2015). Fingerprint Based Gender Classification Using DWT Transform. 2015 International Conference on Computing and Communication Control and Automation. February 26 - 27, 2015. Pune, India. doi: 10.1109/ICCUBEA.2015.141
Tobji, R., Di, W., & Ayoub, N. (2019). FMnet: Iris Segmentation and Recognition by Using Fully and Multi-Scale CNN for Biometric Security. Applied Sciences, 9(2042), 1-17. https://mdpi-res.com/d_attachment/applsci/applsci-09-02042/article_deploy/applsci-09-02042.pdf?version=1558088546
Yang, X-S .(2019). Introduction to Algorithms for Data Mining and Machine Learning. Academic Press. United Kingdom
Zulfiqar, M., Syed, F., Khan, M. J., & Khurshid, K. (2019). Deep Face Recognition for Biometric Authentication. Proceeding of the 1st International Conference on Electrical, Communication and Computer Engineering (ICECCE), 24-25 July 2019, Swat, Pakistan. doi: 10.1109/ICECCE47252.2019.8940725