使用自编码器正则化的基于 CNN 的单类分类器进行主动认证
计算机视觉与模式识别
2019-03-05 v1
摘要
主动认证是指在用户与移动设备交互期间，对用户进行不引人注目的持续监测和认证的过程。由于无法获取冒充用户的数据，主动认证问题通常被建模为单类分类问题。通常，已注册用户被视为目标类（真实用户），而未授权用户被视为未知类（冒充者）。我们提出了一种基于卷积神经网络 (CNN) 的单类分类方法，其中使用零中心高斯噪声和自编码器分别建模伪负类并正则化网络，以学习单类数据的有意义的特征表示。整个网络使用交叉熵和重构误差损失的组合进行训练。所提方法的一个关键特征是，任何预训练的 CNN 都可以用作单类分类的基础网络。使用三个公开的基于人脸的主动认证数据集证明了所提框架的有效性，并表明与传统单类分类方法相比，所提方法取得了更优的性能。源代码可在：github.com/otkupjnoz/oc-acnn 获取。
引用
@article{arxiv.1903.01031,
title = {Active Authentication using an Autoencoder regularized CNN-based One-Class Classifier},
author = {Poojan Oza and Vishal M. Patel},
journal= {arXiv preprint arXiv:1903.01031},
year = {2019}
}
备注
Accepted and to appear at AFGR 2019