用于零样本人脸防伪的深度树学习
计算机视觉与模式识别
2019-04-10 v2
摘要
人脸防伪旨在防止人脸识别系统将伪造人脸识别为真实用户。尽管先进的人脸防伪方法不断发展,新型欺骗攻击也在不断产生并对所有现有系统构成威胁。我们将未知欺骗攻击的检测定义为零样本人脸防伪(ZSFA)。以往的ZSFA工作仅研究打印/重放攻击等1-2类欺骗攻击,限制了对该问题的深入认识。本工作中,我们将ZSFA问题扩展到涵盖打印攻击、重放攻击、3D面具攻击等在内的13类广泛欺骗攻击。提出了一种新颖的深度树网络(DTN)来解决ZSFA。该树以无监督方式学习将欺骗样本划分为语义子组。当数据样本到达时,无论是已知还是未知攻击,DTN将其路由到最相似的欺骗簇并做出二分类决策。此外,为支持ZSFA研究,我们引入了首个包含多种类型欺骗攻击的人脸防伪数据库。实验表明,我们所提方法在ZSFA的多个测试协议上达到了最先进水平。
引用
@article{arxiv.1904.02860,
title = {Deep Tree Learning for Zero-shot Face Anti-Spoofing},
author = {Yaojie Liu and Joel Stehouwer and Amin Jourabloo and Xiaoming Liu},
journal= {arXiv preprint arXiv:1904.02860},
year = {2019}
}
备注
To appear at CVPR 2019 as an oral presentation