English(EN) A Computer Vision Approach to Visual Fraud Detection in Phishing Websites Using YOLOv8

YOLOv8模型在视觉网络钓鱼网站检测中达到92%的准确率

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-27 04:00

研究人员开发了一种新颖的计算机视觉技术，通过分析视觉元素而非传统的URL或基于内容的检测方法来检测网络钓鱼网站。该方法利用在网站截图上训练的YOLOv8卷积神经网络，根据布局、徽标放置和配色方案来识别网络钓鱼尝试。这种视觉检测系统在数据增强后达到了92%的分类准确率，并显著减少了误报，为现有方法提供了补充防御。 AI

影响引入了一种新颖的网络安全视觉分析方法，有可能超越传统的基于文本的方法来增强网络钓鱼检测能力。

排序理由详细介绍使用计算机视觉和特定模型进行网络钓鱼检测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 12 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍使用计算机视觉和特定模型进行网络钓鱼检测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, product; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Basil Sajid Shaikh · 2026-10-27 04:00

一种计算机视觉方法，利用 YOLOv8 检测网络钓鱼网站中的视觉欺诈

arXiv:2609.34015v2 Announce Type: replace Abstract: Phishing remains one of the most common vectors for financial and identity fraud, and most detection systems still rely on inspecting a page's URL, HTML markup, or domain registration history. These signals are easy for an attac…

本文如何被排名

报道来源 [1]

一种计算机视觉方法，利用 YOLOv8 检测网络钓鱼网站中的视觉欺诈

相关实体

相关话题