基于异常检测的人脸未知呈现攻击检测
计算机视觉与模式识别
2020-07-14 v1
摘要
基于异常检测的欺骗攻击检测是人脸呈现攻击检测（fPAD）中的近期进展，其中仅使用用户的非攻击图像来学习一个欺骗检测器。这些检测器具有实际重要性，因为已证明它们能很好地泛化到新型攻击。本文提出一种用于基于异常检测的欺骗攻击检测的深度学习方法，其中分类器与特征表示端到端共同学习。首先，在缺乏攻击图像的情况下，我们在训练时引入一个伪负类。该伪负类用高斯分布建模，其均值由加权滑动均值计算。其次，我们使用成对混淆损失进一步正则化训练过程。如我们的消融实验所示，所提方法受益于 CNN 的表示学习能力，并为 fPAD 任务学习了更好的特征。我们在四个公开数据集 Replay-Attack、Rose-Youtu、OULU-NPU 和 Spoof in Wild 上进行了大量实验，以表明所提方法优于先前方法。代码见：\url{https://github.com/yashasvi97/IJCB2020_anomaly}
引用
@article{arxiv.2007.05856,
title = {Anomaly Detection-Based Unknown Face Presentation Attack Detection},
author = {Yashasvi Baweja and Poojan Oza and Pramuditha Perera and Vishal M. Patel},
journal= {arXiv preprint arXiv:2007.05856},
year = {2020}
}