自适应归一化表示学习用于可泛化的人脸活体检测
计算机视觉与模式识别
2021-08-06 v1
摘要
随着未见场景下各类人脸呈现攻击的出现，基于域泛化（DG）的人脸活体检测（FAS）因其鲁棒性受到越来越多关注。大多数现有方法利用 DG 框架对齐特征以寻求紧凑且泛化的特征空间。然而，很少关注 FAS 任务中的特征提取过程，尤其是归一化的影响，这也对所学表示的泛化有重大影响。为解决此问题，我们提出一种关注特征提取过程中归一化选择的人脸活体检测新视角。具体地，设计了自适应归一化表示学习（ANRL）框架，其根据输入自适应选择特征归一化方法，旨在学习域无关且具有判别力的表示。此外，为促进表示学习，设计了双重校准约束，包括域间兼容损失和类间可分损失，为可泛化表示提供更好的优化方向。大量实验与可视化表明我们的方法相对于 SOTA 竞争者的有效性。
引用
@article{arxiv.2108.02667,
title = {Adaptive Normalized Representation Learning for Generalizable Face Anti-Spoofing},
author = {Shubao Liu and Ke-Yue Zhang and Taiping Yao and Mingwei Bi and Shouhong Ding and Jilin Li and Feiyue Huang and Lizhuang Ma},
journal= {arXiv preprint arXiv:2108.02667},
year = {2021}
}
备注
accepted on ACM MM 2021