面向可泛化人脸反欺骗的自适应专家混合学习
计算机视觉与模式识别
2022-11-24 v1
摘要
随着各类人脸呈现攻击不断出现，基于域泛化（DG）的人脸反欺骗（FAS）方法受到越来越多的关注。现有基于DG的FAS方法总是捕获域不变特征以在各种未见域上泛化。然而，它们忽略了各个源域的判别性特征以及未见域的多样化域特定信息，所训练模型不足以适应各种未见域。为解决此问题，我们提出一种自适应专家混合学习（AMEL）框架，其利用域特定信息自适应地建立可见源域与不可见目标域之间的关联，以进一步提升泛化能力。具体而言，设计域特定专家（DSE）以探究判别性且独特的域特定特征，作为公共域不变特征的补充。此外，提出动态专家聚合（DEA）以基于与未见目标域的域相关性自适应聚合各源专家的补充信息。结合元学习，这些模块协同工作，为各种未见目标域自适应聚合有意义的域特定信息。大量实验与可视化证明了我们的方法相对于最先进竞争对手的有效性。
引用
@article{arxiv.2207.09868,
title = {Adaptive Mixture of Experts Learning for Generalizable Face Anti-Spoofing},
author = {Qianyu Zhou and Ke-Yue Zhang and Taiping Yao and Ran Yi and Shouhong Ding and Lizhuang Ma},
journal= {arXiv preprint arXiv:2207.09868},
year = {2022}
}
备注
Accepted to ACM MM 2022