面向广义人脸防伪的深层异常检测
计算机视觉与模式识别
2019-04-18 v1
摘要
人脸识别已取得前所未有的结果，在某些场景中超越人类能力。然而，这些自动解决方案尚未准备好投入生产，因为它们很容易被简单的身份冒充攻击所欺骗。尽管已投入大量精力开发人脸防伪模型，其泛化能力在真实场景中仍具挑战。本文引入一种新方法，从异常检测视角重构广义呈现攻击检测（GPAD）问题。技术上，提出了一种深度度量学习模型，其中三元组焦点损失被用作一种称为“metric-softmax”的新损失的正则化项，该损失负责引导学习过程在嵌入空间中获得更具判别性的特征表示。最后，我们通过引入一种少样本后验概率估计展示了我们深度异常检测架构的优势，该估计无需在任何已学习特征上训练分类器。我们利用提供最大规模聚合人脸GPAD数据集的GRAD-GPAD框架进行了大量实验。结果证实，我们的方法能够以显著优势超越所有最先进（SOTA）方法。
引用
@article{arxiv.1904.08241,
title = {Deep Anomaly Detection for Generalized Face Anti-Spoofing},
author = {Daniel Pérez-Cabo and David Jiménez-Cabello and Artur Costa-Pazo and Roberto J. López-Sastre},
journal= {arXiv preprint arXiv:1904.08241},
year = {2019}
}
备注
To appear at CVPR19 (workshop)