用于活体检测的无监督复合域自适应方法
宇宙学与河外天体物理
2021-09-22 v2 广义相对论与量子宇宙学
高能物理 - 唯象学
摘要
我们研究人脸活体检测（face anti-spoofing）问题，旨在使人脸验证系统在真实世界场景下具有鲁棒性。与目标域中检测活体人脸与欺骗人脸图像的情境相比，训练模型的带标签源域的情境可能存在显著差异。这种差异可能由新的未知欺骗类型、光照条件、场景背景等诸多因素引起。这些多样化的差异使目标域成为一个复合域，从而引出无监督复合域自适应问题。我们在本工作中首次展示了复合域假设在人脸活体检测任务中的有效性。为此，我们提出了一种记忆增强方法，以域感知的方式将源模型自适应到目标域。通过使用课程学习和域无关源网络训练方法，自适应过程得到进一步改善。所提方法成功自适应到包含多种新欺骗类型的复合目标域。我们在多个基准数据集上的实验证明了该方法优于当前最优（state-of-the-art）方法。
引用
@article{arxiv.2105.08462,
title = {CMB and 21cm bounds on early structure formation boosted by primordial black hole entropy fluctuations},
author = {Hiroyuki Tashiro and Kenji Kadota},
journal= {arXiv preprint arXiv:2105.08462},
year = {2021}
}
备注
14 pages, 10 figures