基于深度聚类引导的对抗无监督域适应人脸呈现攻击检测
计算机视觉与模式识别
2021-02-16 v1
摘要
人脸呈现攻击检测（PAD）因广泛应用于诸多场景的人脸识别系统安全而受到越来越多的关注。传统人脸反欺骗方法假设测试域与训练域相同，因而在未见攻击场景下泛化不佳。训练模型易过拟合于训练数据中的采集传感器与攻击类型。有鉴于此，我们提出一种基于域适应（DA）的端到端学习框架以提升PAD泛化能力。带标签的源域样本通过交叉熵损失训练特征提取器与分类器，而无标签的目标域数据用于对抗域适应以使模型学习域不变特征。在人脸PAD中单独使用DA难以适应与源域采集条件、设备及攻击类型均不同的目标域。为此，为保持目标域固有属性，对目标样本进行深度聚类。训练与深度聚类端到端进行，在多个公开基准数据集上的实验验证了我们提出的深度聚类引导无监督域适应（DCDA）相比最先进方法在目标域上能学到更具泛化性的信息，分类误差更低。
引用
@article{arxiv.2102.06864,
title = {Adversarial Unsupervised Domain Adaptation Guided with Deep Clustering for Face Presentation Attack Detection},
author = {Yomna Safaa El-Din and Mohamed N. Moustafa and Hani Mahdi},
journal= {arXiv preprint arXiv:2102.06864},
year = {2021}
}
备注
10 pages, 2 figures, to be published in IMPROVE 2021