.png){kind=icon}
返回
Cross-System Virtual Reality (VR) Authentication Using Transformer-Based Trajectory Forecasting
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-03805-0_14.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无处不在的设备，如智能手机和平板电脑，已渗透到教育、医疗保健和军事等关键应用中，用户为其家庭、办公室、诊所或工作场所配备了相应系统。随着虚拟现实（VR）系统变得更加经济实惠，它们可能在需要保护敏感用户数据免受恶意用户侵害的关键应用中获得类似的跨系统采用。近期研究表明，深度学习技术可用于跨系统认证，其中一个系统（例如HTC Vive）提供注册数据，另一个系统（例如Meta Quest）使用时间数据。然而，这些方法需要用户行为的完整或近乎完整的轨迹，并且在仅使用活动开始时的小部分用户行为时性能较低。在先前的工作中，运动预测已被用于预测未来运动并将其用于VR认证。然而，这项工作仅适用于单个VR系统，且需要为每个用户建立不同的认证模型。我们提出了一种基于Transformer的预测神经网络和基于全卷积网络的认证神经网络的通用跨系统VR生物识别认证框架。为验证我们的方法，我们使用了一个公开可用的数据集，该数据集提供了使用多个VR系统的投球任务的运动轨迹。我们表明，与现有的跨VR系统认证的最先进方法相比，我们的方法在所有VR系统组合上平均将错误接受率（EER）降低了53.16%。我们的方法实现了使用基站和基于摄像头的跟踪的VR系统之间的互操作性，并提供了无需完整用户轨迹的早期认证。代码链接：https://bit.ly/44DafAD。
Keyword:
VR biometrics
behavioral biometrics
deep learning
motion forecasting
interoperability
期刊
V
IF:
0
论文数:
16
被引数:
0
机构
引用论文
分享收藏BioMove: Biometric User Identification from Human Kinesiological Movements for Virtual Reality Systems.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏
Deep Motion Masking for Secure, Usable, and Scalable Real-Time Anonymization of Ecological Virtual Reality Motion Data深度运动掩码技术：生态虚拟现实运动数据的实时匿名化安全、可用性与可扩展性
PREAI
分享收藏
查看更多内容