INVESTIGACIÓN EN (JNIC2021 LIVE) - Manuel A. Serrano - Eduardo Fernández-Medina Cristina Alcaraz - Noemí de Castro - Guillermo Calvo - UCLM
←
→
Transcripción del contenido de la página
Si su navegador no muestra la página correctamente, lea el contenido de la página a continuación
EDITORES:
Manuel A. Serrano - Eduardo Fernández-Medina
Cristina Alcaraz - Noemí de Castro - Guillermo Calvo
Actas de las VI Jornadas Nacionales
(JNIC2021 LIVE)
INVESTIGACIÓN ENInvestigación en Ciberseguridad
Actas de las VI Jornadas Nacionales
( JNIC2021 LIVE)
Online 9-10 de junio de 2021
Universidad de Castilla-La ManchaInvestigación en Ciberseguridad
Actas de las VI Jornadas Nacionales
( JNIC2021 LIVE)
Online 9-10 de junio de 2021
Universidad de Castilla-La Mancha
Editores:
Manuel A. Serrano,
Eduardo Fernández-Medina,
Cristina Alcaraz
Noemí de Castro
Guillermo Calvo
Cuenca, 2021© de los textos e ilustraciones: sus autores
© de la edición: Universidad de Castilla-La Mancha
Edita: Ediciones de la Universidad de Castilla-La Mancha.
Colección JORNADAS Y CONGRESOS n.º 34
© de los textos: sus autores.
© de la edición: Universidad de Castilla-La Mancha.
© de los textos e ilustraciones: sus autores
© de la edición: Universidad de Castilla-La Mancha
Edita: Ediciones Esta
de la Universidad
editorial esdemiembro
Castilla-Lade
Mancha
la UNE, lo que garantiza la difusión y
comercialización de sus publicaciones a nivel nacional e internacional
Colección JORNADAS
Edita: Ediciones de YlaCONGRESOS
Universidad de n.º Castilla-La
34 Mancha.
Colección JORNADAS Y CONGRESOS n.º 34
I.S.B.N.: 978-84-9044-463-4
Esta editorial es miembro de la UNE, lo que garantiza la difusión y comercialización de sus publi-
caciones a nivel nacional e internacional.
D.O.I.: http://doi.org/10.18239/jornadas_2021.34.00
Esta editorial es miembro de la UNE, lo que garantiza la difusión y
I.S.B.N.: 978-84-9044-463-4
comercialización de sus publicaciones a nivel
nacional e internacional
D.O.I.: http://doi.org/10.18239/jornadas_2021.34.00
I.S.B.N.:
Esta obra 978-84-9044-463-4
se encuentra bajo una licencia internacional Creative Commons CC BY 4.0.
D.O.I.: http://doi.org/10.18239/jornadas_2021.34.00
Cualquier forma de reproducción, distribución, comunicación pública o transformación de esta
Esta obra se encuentra bajo una licencia internacional Creative Commons CC BY 4.0.
obra no incluida en la licencia Creative Commons CC BY 4.0 solo puede ser realizada con la
Cualquier forma de reproducción, distribución, comunicación pública o transformación de esta obra no incluida
autorización
en expresa
la licencia Creative de los CC
Commons titulares, salvopuede
BY 4.0 solo excepción prevista
ser realizada con la por la ley. Puede
autorización Vd.
expresa de losacceder
titulares, al
texto completo de la licencia en este enlace:
salvo excepción prevista por la ley. Puede Vd. acceder al texto completo de la licencia en este enlace: https://
https://creativecommons.org/licenses/by/4.0/deed.es
creativecommons.org/licenses/by/4.0/deed.es
Esta obra se encuentra bajo una licencia internacional Creative Commons CC BY 4.0.
Hecho en España (U.E.) – Made in Spain (E.U.)
Hecho en España
Cualquier forma de(U.E.) – Made indistribución,
reproducción, Spain (E.U.)comunicación pública o transformación de esta
obra no incluida en la licencia Creative Commons CC BY 4.0 solo puede ser realizada con la
autorización expresa de los titulares, salvo excepción prevista por la ley. Puede Vd. acceder al
texto completo de la licencia en este enlace:
https://creativecommons.org/licenses/by/4.0/deed.es
Hecho en España (U.E.) – Made in Spain (E.U.)Bienvenida del Comité Organizador
Tras la parada provocada por la pandemia en 2020, las VI Jornadas Nacionales de Investiga-
ción en Ciberseguridad ( JNIC) vuelven el 9 y 10 de Junio del 2021 con energías renovadas, y por
primera vez en su historia, en un formato 100% online. Esta edición de las JNIC es organizada
por los grupos GSyA y Alarcos de la Universidad de Castilla-La Mancha en Ciudad Real, y
con la activa colaboración del comité ejecutivo, de los presidentes de los distintos comités de
programa y del Instituto Nacional de Ciberseguridad (INCIBE). Continúa de este modo la
senda de consolidación de unas jornadas que se celebraron por primera vez en León en 2015 y
le siguieron Granada, Madrid, San Sebastián y Cáceres, consecutivamente hasta 2019, y que,
en condiciones normales se habrían celebrado en Ciudad Real en 2020.
Estas jornadas se han convertido en un foro de encuentro de los actores más relevantes en
el ámbito de la ciberseguridad en España. En ellas, no sólo se presentan algunos de los trabajos
científicos punteros en las diversas áreas de ciberseguridad, sino que se presta especial atención
a la formación e innovación educativa en materia de ciberseguridad, y también a la conexión
con la industria, a través de propuestas de transferencia de tecnología. Tanto es así que, este año
se presentan en el Programa de Transferencia algunas modificaciones sobre su funcionamiento
y desarrollo que han sido diseñadas con la intención de mejorarlo y hacerlo más valioso para
toda la comunidad investigadora en ciberseguridad.
Además de lo anterior, en las JNIC estarán presentes excepcionales ponentes (Soledad
Antelada, del Lawrence Berkeley National Laboratory, Ramsés Gallego, de Micro Focus y
Mónica Mateos, del Mando Conjunto de Ciberdefensa) mediante tres charlas invitadas y se
desarrollarán dos mesas redondas. Éstas contarán con la participación de las organizaciones
más relevantes en el panorama industrial, social y de emprendimiento en relación con la ciber-
seguridad, analizando y debatiendo el papel que está tomando la ciberseguridad en distintos
ámbitos relevantes.
En esta edición de JNIC se han establecido tres modalidades de contribuciones de inves-
tigación, los clásicos artículos largos de investigación original, los artículos cortos con investi-
gación en un estado más preliminar, y resúmenes extendidos de publicaciones muy relevantes
y de alto impacto en materia de ciberseguridad publicados entre los años 2019 y 2021. En el
caso de contribuciones de formación e innovación educativa, y también de transferencias se
han considerado solamente artículos largos. Se han recibido para su valoración un total de 86
7Bienvenida del Comité Organizador
contribuciones organizadas en 26, 27 y 33 artículos largos, cortos y resúmenes ya publicados,
de los que los respectivos comités de programa han aceptado 21, 19 y 27, respectivamente. En
total se ha contado con una ratio de aceptación del 77%. Estas cifras indican una participación
en las jornadas que continúa creciendo, y una madurez del sector español de la ciberseguridad
que ya cuenta con un volumen importante de publicaciones de alto impacto.
El formato online de esta edición de las jornadas nos ha motivado a organizar las jornadas
de modo más compacto, distinguiendo por primera vez entre actividades plenarias (charlas
invitadas, mesas redondas, sesión de formación e innovación educativa, sesión de transfe-
rencia de tecnología, junto a inauguración y clausura) y sesiones paralelas de presentación de
artículos científicos. En concreto, se han organizado 10 sesiones de presentación de artículos
científicos en dos líneas paralelas, sobre las siguientes temáticas: detección de intrusos y gestión
de anomalías (I y II), ciberataques e inteligencia de amenazas, análisis forense y cibercrimen,
ciberseguridad industrial, inteligencia artificial y ciberseguridad, gobierno y riesgo, tecnologías
emergentes y entrenamiento, criptografía, y finalmente privacidad.
En esta edición de las jornadas se han organizado dos números especiales de revistas con
elevado factor de impacto para que los artículos científicos mejor valorados por el comité de
programa científico puedan enviar versiones extendidas de dichos artículos. Adicionalmente, se
han otorgado premios al mejor artículo en cada una de las categorías. En el marco de las JNIC
también hemos contado con la participación de la Red de Excelencia Nacional de Investigación
en Ciberseguridad (RENIC), impulsando la ciberseguridad a través de la entrega de los premios
al Mejor Trabajo Fin de Máster en Ciberseguridad y a la Mejor Tesis Doctoral en Ciberseguridad. Tam-
bién se ha querido acercar a los jóvenes talentos en ciberseguridad a las JNIC, a través de un CTF
(Capture The Flag) organizado por la Universidad de Extremadura y patrocinado por Viewnext.
Desde el equipo que hemos organizado las JNIC2021 queremos agradecer a todas aquellas
personas y entidades que han hecho posible su celebración, comenzando por los autores de
los distintos trabajos enviados y los asistentes a las jornadas, los tres ponentes invitados, las
personas y organizaciones que han participado en las dos mesas redondas, los integrantes de
los distintos comités de programa por sus interesantes comentarios en los procesos de revisión
y por su colaboración durante las fases de discusión y debate interno, los presidentes de las
sesiones, la Universidad de Extremadura por organizar el CTF y la empresa Viewnext por
patrocinarlo, los técnicos del área TIC de la UCLM por el apoyo con la plataforma de comu-
nicación, los voluntarios de la UCLM y al resto de organizaciones y entidades patrocinadoras,
entre las que se encuentra la Escuela Superior de Informática, el Departamento de Tecnologías
y Sistemas de Información y el Instituto de Tecnologías y Sistemas de Información, todos ellos
de la Universidad de Castilla-La Mancha, la red RENIC, las cátedras (Telefónica e Indra)
y aulas (Avanttic y Alpinia) de la Escuela Superior de Informática, la empresa Cojali, y muy
especialmente por su apoyo y contribución al propio INCIBE.
Manuel A. Serrano, Eduardo Fernández-Medina
Presidentes del Comité Organizador
Cristina Alcaraz
Presidenta del Comité de Programa Científico
Noemí de Castro
Presidenta del Comité de Programa de Formación e Innovación Educativa
Guillermo Calvo Flores
Presidente del Comité de Transferencia Tecnológica
8Índice General
Comité Ejecutivo.............................................................................................. 11
Comité Organizador........................................................................................ 12
Comité de Programa Científico....................................................................... 13
Comité de Programa de Formación e Innovación Educativa........................... 15
Comité de Transferencia Tecnológica............................................................... 17
Comunicaciones
Sesión de Investigación A1: Detección de intrusiones y gestión de anomalías I 21
Sesión de Investigación A2: Detección de intrusiones y gestión de anomalías II 55
Sesión de Investigación A3: Ciberataques e inteligencia de amenazas............. 91
Sesión de Investigación A4: Análisis forense y cibercrimen............................. 107
Sesión de Investigación A5: Ciberseguridad industrial y aplicaciones.............. 133
Sesión de Investigación B1: Inteligencia Artificial en ciberseguridad............... 157
Sesión de Investigación B2: Gobierno y gestión de riesgos.............................. 187
Sesión de Investigación B3: Tecnologías emergentes y entrenamiento en
ciberseguridad................................................................................................... 215
Sesión de Investigación B4: Criptografía.......................................................... 235
Sesión de Investigación B5: Privacidad............................................................. 263
Sesión de Transferencia Tecnológica................................................................ 291
Sesión de Formación e Innovación Educativa.................................................. 301
Premios RENIC.............................................................................................. 343
Patrocinadores................................................................................................. 349
9Comité Ejecutivo
Juan Díez González INCIBE
Luis Javier García Villalba Universidad de Complutense de Madrid
Eduardo Fernández-Medina Patón Universidad de Castilla-La Mancha
Guillermo Suárez-Tangil IMDEA Networks Institute
Andrés Caro Lindo Universidad de Extremadura
Pedro García Teodoro Universidad de Granada. Representante
de red RENIC
Noemí de Castro García Universidad de León
Rafael María Estepa Alonso Universidad de Sevilla
Pedro Peris López Universidad Carlos III de Madrid
11Comité Organizador
Presidentes del Comité Organizador
Eduardo Fernández-Medina Patón Universidad de Castilla-la Mancha
Manuel Ángel Serrano Martín Universidad de Castilla-la Mancha
Finanzas
David García Rosado Universidad de Castilla-la Mancha
Luis Enrique Sánchez Crespo Universidad de Castilla-la Mancha
Actas
Antonio Santos-Olmo Parra Universidad de Castilla-la Mancha
Difusión
Julio Moreno García-Nieto Universidad de Castilla-la Mancha
José Antonio Cruz Lemus Universidad de Castilla-la Mancha
María A Moraga de la Rubia Universidad de Castilla-la Mancha
Webmaster
Aurelio José Horneros Cano Universidad de Castilla-la Mancha
Logística y Organización
Ignacio García-Rodriguez de Guzmán Universidad de Castilla-la Mancha
Ismael Caballero Muñoz-Reja Universidad de Castilla-la Mancha
Gregoria Romero Grande Universidad de Castilla-la Mancha
Natalia Sanchez Pinilla Universidad de Castilla-la Mancha
12Comité de Programa Científico
Presidenta
Cristina Alcaraz Tello Universidad de Málaga
Miembros
Aitana Alonso Nogueira INCIBE
Marcos Arjona Fernández ElevenPaths
Ana Ayerbe Fernández-Cuesta Tecnalia
Marta Beltrán Pardo Universidad Rey Juan Carlos
Carlos Blanco Bueno Universidad de Cantabria
Jorge Blasco Alís Royal Holloway, University of London
Pino Caballero-Gil Universidad de La Laguna
Andrés Caro Lindo Universidad de Extremadura
Jordi Castellà Roca Universitat Rovira i Virgili
José M. de Fuentes García-Romero
de Tejada Universidad Carlos III de Madrid
Jesús Esteban Díaz Verdejo Universidad de Granada
Josep Lluis Ferrer Gomila Universitat de les Illes Balears
Dario Fiore IMDEA Software Institute
David García Rosado Universidad de Castilla-La Mancha
Pedro García Teodoro Universidad de Granada
Luis Javier García Villalba Universidad Complutense de Madrid
Iñaki Garitano Garitano Mondragon Unibertsitatea
Félix Gómez Mármol Universidad de Murcia
Lorena González Manzano Universidad Carlos III de Madrid
María Isabel González Vasco Universidad Rey Juan Carlos I
Julio César Hernández Castro University of Kent
Luis Hernández Encinas CSIC
Jorge López Hernández-Ardieta Banco Santander
Javier López Muñoz Universidad de Málaga
Rafael Martínez Gasca Universidad de Sevilla
Gregorio Martínez Pérez Universidad de Murcia
13David Megías Jiménez Universitat Oberta de Cataluña
Luis Panizo Alonso Universidad de León
Fernando Pérez González Universidad de Vigo
Aljosa Pasic ATOS
Ricardo J. Rodríguez Universidad de Zaragoza
Fernando Román Muñoz Universidad Complutense de Madrid
Luis Enrique Sánchez Crespo Universidad de Castilla-La Mancha
José Soler Technical University of Denmark-DTU
Miguel Soriano Ibáñez Universidad Politécnica de Cataluña
Victor A. Villagrá González Universidad Politécnica de Madrid
Urko Zurutuza Ortega Mondragon Unibertsitatea
Lilian Adkinson Orellana Gradiant
Juan Hernández Serrano Universitat Politécnica de Cataluña
14Comité de Programa de Formación e Innovación Educativa
Presidenta
Noemí De Castro García Universidad de León
Miembros
Adriana Suárez Corona Universidad de León
Raquel Poy Castro Universidad de León
José Carlos Sancho Núñez Universidad de Extremadura
Isaac Agudo Ruiz Universidad de Málaga
Ana Isabel González-Tablas Ferreres Universidad Carlos III de Madrid
Xavier Larriva Universidad Politécnica de Madrid
Ana Lucila Sandoval Orozco Universidad Complutense de Madrid
Lorena González Manzano Universidad Carlos III de Madrid
María Isabel González Vasco Universidad Rey Juan Carlos
David García Rosado Universidad de Castilla - La Mancha
Sara García Bécares INCIBE
15Comité de Transferencia Tecnológica
Presidente
Guillermo Calvo Flores INCIBE
Miembros
José Luis González Sánchez COMPUTAEX
Marcos Arjona Fernández ElevenPaths
Victor Villagrá González Universidad Politécnica de Madrid
Luis Enrique Sánchez Crespo Universidad de Castilla – La Mancha
17Sesión de Investigación A4: Análisis forense y cibercrimen
http://doi.org/10.18239/jornadas_2021.34.28
Development of a Hardware Benchmark for
Forensic Face Detection Applications
Javier Velasco-Mata∗†a , Deisy Chaves∗†b , Verónica De Mata†c , Mhd Wesam Al-Nabki∗†d , Eduardo Fidalgo∗†e ,
Enrique Alegre∗†f , and George Azzopardi‡g
∗ Departmentof Electrical, Systems and Automation, Universidad de León, León, ES
† Researcher
at INCIBE (Spanish National Cybersecurity Institute), León, ES
‡ Bernoulli Institute for Mathematics, Computer Science and Artificial Intelligence, University of Groningen, Groningen, NL
Email:{javier.velasco, deisy.chaves, wesam.alnabki, eduardo.fidalgo, enrique.alegre}@unileon.es,
veronica.demata@incibe.es, g.azzopardi@rug.nl
ORCID iDs: a 0000-0002-7923-1658, b 0000-0002-7745-8111, c 0000-0003-2337-1050, d 0000-0002-3975-3478,
e
0000-0003-1202-5232, f 0000-0003-2081-774X, g 0000-0001-6552-2596
Abstract—Face detection techniques are valuable in the foren- methods from [3] using a set of images chosen from the
sic investigation since they help criminal investigators to identify WIDER Face Dataset [9] and the Unconstrained Face De-
victims/offenders in child sexual exploitation material. Deep tection Dataset (UFDD) [10] as explained in Section III.
learning approaches proved successful in these tasks, but their
high computational requirements make them unsuitable if there II. R ELATED W ORK
are time constraints. To cope with this problem, we use a
resizing strategy over three face detection techniques —MTCNN, Nowadays, deep learning methods became state-of-the-art
PyramidBox and DSFD— to improve their speed over samples on many computer vision applications, including face detec-
selected from the WIDER Face and UFDD datasets across several tion. MTCNN [6] consists of three CNNs that simultaneously
CPUs and GPUs. The best speed-detection trade-off was achieved
reducing the images to 50% of their original size and then solve face detection and alignment problems. In contrast, the
applying DSFD. The fastest hardware for this purpose was a PyramidBox method [7] integrates multi-scale feature maps
Nvidia GPU based on the Turing architecture. with multi-level semantic information to improve the detection
Index Terms—Face Detection, GPU, CPU, Benchmark of small faces. Similarly, DSFD [8] aggregates multi-scale and
Type of contribution: Already Published Research — semantic information with enhanced features corresponding to
Assessment and Estimation of Face Detection Performance information context to increase face detection accuracy.
Based on Deep Learning for Forensic Applications [1] Typically, face detectors are evaluated in terms of mean
Average Precision (mAP). In the literature, MTCNN reports
I. I NTRODUCTION an mAP of 75.2%, PyramidBox 92.6% and DSFD 93.3% on
With the popularity of cameras and sharing the produced the WIDER Face [9] dataset. However, face detection speed,
content online, offenders found a easy way to distribute Child which is a critical factor for end-users, is seldom reported. In
Sexual Exploitation Materials (CSEM) [2]. As counterpart, the [11] Nardelli et al. compared the required training time for
criminal investigation of this content has shown a growing several object detectors based on deep learning with various
interest worldwide [3]. However, manual analysis to identify CPUs and GPUs, but not at the testing phase. To the best of
CSEM content is infeasible due to the large amount of data our knowledge, no study could serve as a benchmark for face
to review in most investigations. Thus, there is an urgent need detection performance over several hardware options.
to develop automatic and fast systems for its detection [4].
An approach to detect CSEM is to combine a face detector III. M ETHODOLOGY
with an age estimator to detect minors as possible victims [5]. We evaluated the performance of face detection by analyz-
Chaves et al. [3] selected three popular methods according to ing images from two datasets, WIDER Face [9] and UFDD
their processing time and accuracy and attempted to improve [10]. Both datasets were chosen because they consider diverse
their speed-performance trade-off using a strategy consisting acquisition conditions in terms of illumination, scale, pose
of downsizing the images. These three face detectors are and occlusion. Besides, in order to replicate the usual number
the Multi-Task Cascade CNN (MTCNN) [6], the Context- of subjects involved in CSEM, only images with less than
Assisted Single Shot Face Detector (often referred as Pyra- five people were analyzed. We manually chose 1994 images
midBox) [7], and the Dual face Shot Detector (DFSD) [8]. from the WIDER Face dataset and 2222 from the UFDD
However, that study is limited to a GTX 1060 GPU, so it dataset. Following the study by Chaves et al. [3] we evaluated
can significantly be a reference to end-users, such as law the performance of MTCNN, PyramidBox and DSFD face
enforcement analysts, who often need to determine the most detectors (see Section II) using a resizing strategy in order to
suitable hardware for these demanding computational tasks. decrease the time for face detection processing. This strategy
This study evaluates five CPUs and seven different GPU first reduces the image size and then uses the face detection
models to present a more comprehensive comparison be- method on the reduced image. Finally, the bounding boxes
tween speed and accuracy. We evaluated the three mentioned containing face locations are scaled back to the original image
129Sesión de Investigación A4: Análisis forense y cibercrimen
TABLE I
AVERAGE M AP AND F1 S CORES BY FACE DETECTOR OVER IMAGES IN THE ORIGINAL SIZE OR RESIZED TO 75%, 50% AND 25%. T HE IMAGES CAME
FROM WIDER FACE AND UFDD DATASETS . B ESIDES , IT SHOWS THE MEAN OF SECONDS TO PROCESS AN IMAGE ON DIFFERENT CPU S AND GPU S .
100% 75% 50% 25%
Method MTCNN PyramidBox DSFD MTCNN PyramidBox DSFD MTCNN PyramidBox DSFD MTCNN PyramidBox DSFD
Avg. mAP 37.02 71.88 79.02 36.69 70.13 78.59 34.59 64.60 74.55 27.03 46.68 61.49
Avg. F1 0.363 0.720 0.815 0.357 0.696 0.804 0.331 0.612 0.748 0.250 0.398 0.572
i5-3450 0.321 6.631 17.881 0.197 3.707 9.864 0.108 1.657 4.354 0.048 0.443 1.033
i7-8650 0.424 8.081 17.487 0.257 4.553 10.600 0.135 2.070 4.770 0.057 0.560 1.276
i7-4790K 0.215 5.679 11.546 0.129 3.161 6.300 0.067 1.403 2.624 0.028 0.370 0.565
i9-8950HK 0.192 4.435 9.714 0.126 2.365 2.750 0.072 1.040 2.292 0.028 0.271 0.544
Xeon E5 0.540 4.579 8.642 0.356 2.758 4.208 0.208 1.381 2.203 0.096 0.478 0.858
Tesla K40c 0.189 0.696 0.824 0.121 0.433 0.488 0.065 0.240 0.263 0.034 0.118 0.129
TITAN Xp 0.135 0.201 0.277 0.088 0.138 0.180 0.052 0.092 0.110 0.030 0.056 0.067
GTX 1050 ti 0.110 0.627 0.642 0.069 0.351 0.365 0.039 0.182 0.170 0.018 0.060 0.072
GTX 1060 0.121 0.347 0.356 0.071 0.220 0.214 0.039 0.115 0.107 0.020 0.049 0.050
GTX 1070 0.117 0.258 0.315 0.076 0.165 0.198 0.044 0.093 0.110 0.022 0.045 0.063
RTX 2060 0.107 0.458 0.256 0.067 0.268 0.165 0.038 0.125 0.076 0.019 0.045 0.041
RTX 2070 0.115 0.458 0.282 0.073 0.262 0.162 0.042 0.126 0.078 0.021 0.047 0.048
dimensions. We assessed the processing time of the face ACKNOWLEDGEMENTS
detectors on five Intel CPUs – i5-3450, i7-4790K, i7-8650U, This research was funded with support from the European
i9-8950HK, and Xeon E5-2630, and seven Nvidia GPUs — Commission under the 4NSEEK project with Grant Agree-
Tesla K40c, TITAN Xp, GTX1050, GTX 1060, GTX 1070, ment 821966. This publication shows the authors’ point of
RTX 2060 and RTX 2070. view, and the European Commission cannot be held respon-
IV. E XPERIMENTAL RESULTS sible for any use which may be made of the information
Table I presents the weighted averages of mAP and F1 contained therein. This work was also supported by the frame-
scores obtained in each of the two datasets and the time work agreement between the University of León and INCIBE
required to process a picture in the indicated hardware. The (Spanish National Cybersecurity Institute) under Addendum
results are classified by the resizing strategy employed: using 01. We acknowledge NVIDIA Corporation with the donation
the full-size image or resizing it to 75%, 50% or 25% of the of the TITAN Xp and Tesla K40 GPUs used for this research.
original image. The detection scores of the three models over R EFERENCES
full sized images were lower than the ones provided by Yang
[1] D. Chaves, E. Fidalgo, E. Alegre, R. Alaiz-Rodrı́guez, F. Jáñez-Martino,
et al. [9] on the full WIDER Face dataset because we used and G. Azzopardi, “Assessment and estimation of face detection per-
a harder-to-detect subset of samples, i.e., the ones with five formance based on deep learning for forensic applications,” Sensors,
people or less. vol. 20, no. 16, p. 4491, 2020.
[2] M. W. Al-Nabki, E. Fidalgo, E. Alegre, and I. de Paz, “Classifying
Results show that the resizing strategy speeds up the illegal activities on Tor network based on web textual contents,” in
process but decreases the mAP and F1 scores, which is Proceedings of the 15th Conference of the European Chapter of the
more noticeable at 25% of the original size. Besides, the Association for Computational Linguistics: Volume 1, Long Papers,
2017, pp. 35–43.
best compromise between speed and detection was achieved [3] D. Chaves, E. Fidalgo, E. Alegre, and P. Blanco, “Improving speed-
with the DSFD model with an image reduction of 50%. accuracy trade-off in face detectors for forensic tools by image resizing,”
Comparing the different CPUs, the overall best time was V Jornadas Nacionales de Investigación en Ciberseguridad, 2019.
[4] D. Chaves, S. Saikia, L. Fernandez-Robles, E. Alegre, and M. Trujillo,
achieved by i9-8650HK, which excels at its bus speed1 . GPU “A systematic review on object localisation methods in images,” Revista
results, however, overcome the CPU ones, and we noticed Iberoamericana de Automática e Informática Industrial, vol. 15, no. 3,
that the GPU architecture determines the detection speed. pp. 231–242, 2018.
[5] D. Chaves, E. Fidalgo, E. Alegre, F. Jáñez-Martino, and J. Velasco-
RTX GPUs with a Turing architecture performed better than Mata, “CPU vs GPU performance of deep learning based face detectors
GPUs with Pascal —GTX and TITAN— and Keppler –Tesla– using resized images in forensic applications,” in Proceedings of the
architectures, despite that these GPUs disposed of a large ICDP-2019, 2019, pp. 93–98.
[6] K. Zhang, Z. Zhang, Z. Li, and Y. Qiao, “Joint face detection and
number of cores, memory video or memory bandwidth. alignment using multitask cascaded convolutional networks,” IEEE
Signal Processing Letters, vol. 23, no. 10, pp. 1499–1503, 2016.
V. C ONCLUSIONS [7] X. Tang, D. K. Du, Z. He, and J. Liu, “Pyramidbox: A context-assisted
This work evaluated the speed-performance trade-off single shot face detector,” in Proceedings of the European Conference
on Computer Vision (ECCV), 2018, pp. 797–813.
among three face detector models –MTCNN, PyramidBox and [8] J. Li, Y. Wang, C. Wang, Y. Tai, J. Qian, J. Yang, C. Wang, J. Li,
DSFD– on five Intel CPUs and seven Nvidia GPU cards. The and F. Huang, “DSFD: dual shot face detector,” in Proceedings of the
images used in the experimentation came from two datasets, IEEE/CVF Conference on Computer Vision and Pattern Recognition,
2019, pp. 5060–5069.
WIDER Face and UFDD, and to improve the inference speed [9] S. Yang, P. Luo, C.-C. Loy, and X. Tang, “WIDER Face: A face
we used a resizing strategy at different scales. We found detection benchmark,” in Proceedings of the IEEE conference on
that the speed-up from resizing was more noticeable on more computer vision and pattern recognition, 2016, pp. 5525–5533.
[10] H. Nada, V. A. Sindagi, H. Zhang, and V. M. Patel, “Pushing the
sophisticated detectors. Thus, the best speed-accuracy trade- limits of unconstrained face detection: a challenge dataset and baseline
off was yielded by DSFD on images resized to 50% of the results,” in 2018 IEEE 9th International Conference on Biometrics
original size on GPUs of Turing architecture. This benchmark Theory, Applications and Systems (BTAS). IEEE, 2018, pp. 1–10.
[11] R. Nardelli, Z. Dall, and S. Skevoulis, “Comparing Tensorflow deep
could be used to generate accurate models to predict the learning performance and experiences using CPUs via local PCs and
performance of future pieces of hardware. cloud solutions,” in Future of Information and Communication Confer-
ence. Springer, 2019, pp. 118–130.
1 Specifications consulted from https://cpu.userbenchmark.com/
130También puede leer
