CASIA-SURF CeFA：一个多模态跨种族人脸防伪基准
计算机视觉与模式识别
2020-03-12 v1
摘要
种族偏差已被证明会对人脸识别系统的性能产生负面影响，并且它仍是人脸防伪中一个开放的研究问题。为研究人脸防伪中的种族偏差，我们引入了迄今最大的 CASIA-SURF 跨种族人脸防伪（CeFA）数据集（简称 CeFA），涵盖 个种族、 种模态、 名受试者以及 2D 加 3D 攻击类型。我们提出四种协议以在多种评估条件下（如跨种族、未知 spoof 或两者兼具）度量其影响。据我们所知，CeFA 是当前已发布/公开的人脸防伪数据集中首个包含明确种族标签的数据集。随后，我们提出一种新颖的多模态融合方法作为缓解这些偏差的强基线，即应用于每种模态（即 RGB、深度和红外图像）的静态-动态融合机制。之后，提出一种部分共享融合策略以从多模态中学习互补信息。大量实验表明，所提方法在 CASIA-SURF、OULU-NPU、SiW 和 CeFA 数据集上取得了最先进（state-of-the-art）的结果。
引用
@article{arxiv.2003.05136,
title = {CASIA-SURF CeFA: A Benchmark for Multi-modal Cross-ethnicity Face Anti-spoofing},
author = {Ajian Li and Zichang Tan and Xuan Li and Jun Wan and Sergio Escalera and Guodong Guo and Stan Z. Li},
journal= {arXiv preprint arXiv:2003.05136},
year = {2020}
}
备注
17 pages, 4 figures. arXiv admin note: substantial text overlap with arXiv:1912.02340