用于三维高保真面具人脸呈现攻击检测的对比上下文感知学习
计算机视觉与模式识别
2021-04-14 v1
摘要
人脸呈现攻击检测(PAD)对于保护人脸识别系统免受高保真面具攻击至关重要。大多数现有的三维面具PAD基准存在若干缺陷:1)面具身份、传感器类型和视频总数有限;2)人脸面具保真度低。基础深度模型与远程光体积描记(rPPG)方法在这些基准上取得了可接受的性能,但仍远不能满足实际场景的需求。为缩小与真实世界应用之间的差距,我们引入了一个大规模高保真面具数据集,即CASIA-SURF HiFiMask(简称HiFiMask)。具体而言,该数据集由7种新型传感器对75名受试者佩戴225个逼真面具录制,共54,600段视频。连同该数据集,我们提出了一种新颖的对比上下文感知学习框架,即CCL。CCL是一种用于监督式PAD任务的新型训练方法,能够通过利用活体人脸与高保真面具攻击样本对之间丰富的上下文(如受试者、面具材质和光照)进行准确学习。在HiFiMask及三个额外的三维面具数据集上的大量实验评估证明了我们方法的有效性。
引用
@article{arxiv.2104.06148,
title = {Contrastive Context-Aware Learning for 3D High-Fidelity Mask Face Presentation Attack Detection},
author = {Ajian Liu and Chenxu Zhao and Zitong Yu and Jun Wan and Anyang Su and Xing Liu and Zichang Tan and Sergio Escalera and Junliang Xing and Yanyan Liang and Guodong Guo and Zhen Lei and Stan Z. Li and Du Zhang},
journal= {arXiv preprint arXiv:2104.06148},
year = {2021}
}