面向可靠人脸防伪的置信感知学习
计算机视觉与模式识别
2025-04-30 v2
摘要
当前的人脸防伪（FAS）模型在遇到不熟悉的场景或未知的呈现攻击时往往做出过度自信的预测，这导致了严重的潜在风险。为了解决这一问题，我们提出了一种置信感知人脸防伪（CA-FAS）模型，该模型能够感知自身的能力边界，从而在该边界内实现可靠的活体检测。为使CA-FAS"知道自己不知道什么"，我们提出在预测每个样本时估计其置信度。具体而言，我们为活体人脸和已知攻击分别构建高斯分布。随后利用样本与"已知数据"高斯分布之间的马氏距离来评估每个样本的预测置信度。我们进一步引入基于马氏距离的三元组挖掘，以联合优化模型参数和构建的高斯分布。大量实验表明，所提出的CA-FAS能够有效识别低置信度样本，从而通过过滤超出其可靠范围的样本，实现比其他FAS模型更可靠的性能。
引用
@article{arxiv.2411.01263,
title = {Confidence Aware Learning for Reliable Face Anti-spoofing},
author = {Xingming Long and Jie Zhang and Shiguang Shan},
journal= {arXiv preprint arXiv:2411.01263},
year = {2025}
}
备注
11 pages