Come funziona
Premi Configura e avvia: scegli una foto (o un dataset), gli algoritmi e le opzioni. Ogni algoritmo viene eseguito passo per passo: il diagramma a blocchi si illumina, ogni passo produce una card con l'immagine intermedia, i numeri calcolati e la spiegazione di cosa sta succedendo.
- CNN del docente — le quattro reti di Kuznetsov et al. (LivenessNet, AttackNet V1, V2.1, V2.2) con il loro preprocessing originale, in una variante per ogni dataset di addestramento.
- Pre-addestrati — MiniFASNet, CLIP zero-shot e le sonde lineari su CLIP e DINOv2, Depth Anything: modelli generali applicati al nostro problema.
- Classici spiegabili — micro-texture LBP, DoG, spettro di Fourier, distorsioni IDA, qualità d'immagine, geometria Face Mesh: metodi della letteratura, interpretabili.
La scheda Algoritmi è il catalogo completo: per ognuno cosa fa, quando funziona, limiti, passi e riferimenti. La scheda Valutazione dataset mostra le metriche ISO/IEC 30107-3 sui dataset pubblici.
In corso…
| Algoritmo | Famiglia | Affidabilità | Verdetto | P(reale) | Tempo |
|---|
Catalogo degli algoritmi
Tutti gli analizzatori disponibili, con famiglia, affidabilità e dataset di addestramento. La spunta li include nella prossima analisi; Scheda apre cosa fa, quando funziona, limiti, passi della pipeline e riferimenti.
Valutazione su dataset: le metriche richieste dal docente
Ogni algoritmo analizza tutte le immagini etichettate di un dataset; dai punteggi si calcolano APCER (attacchi accettati come reali), BPCER (persone vere rifiutate), ACER (media), EER, BPCER@APCER=10% e AUC, con le formule di evaluation_utils.py del docente (con tre differenze documentate: la BPCER@APCER, che nell'originale conta i bona fide accettati invece dei rifiutati; i valori non calcolabili, che qui sono \"—\" e non 0; l'EER, cercato sulla curva ROC completa). Convenzione ISO/IEC 30107-3: punteggio = probabilità di attacco, soglia 0,5. HTER non è riportato perché coinciderebbe con ACER finché la soglia non viene scelta su un set di sviluppo separato.