DFCANet：用于跨域虹膜呈现攻击检测的密度特征校准-注意力引导网络
计算机视觉与模式识别
2021-11-02 v1
摘要
虹膜呈现攻击检测 (IPAD) 对于保护广泛使用的虹膜识别系统个人身份安全至关重要。然而，现有 IPAD 算法在未见与跨域场景下泛化不佳，原因在于非受限环境下的采集以及真实样本与攻击样本间的高视觉相关性。虹膜眼周图像中复杂纹理与形态模式的这些相似性进一步导致性能下降。为缓解这些不足，本文提出 DFCANet：密度特征校准与注意力引导网络，其将局部扩散的虹膜模式与全局定位的模式进行校准。借助特征校准卷积与残差学习的优势，DFCANet 生成域特定的虹膜特征表示。由于校准特征图中的某些通道包含更显著信息，我们通过通道注意力机制利用跨通道的判别性特征学习。为增加所提模型的挑战性，我们使 DFCANet 在非分割与非归一化的眼周虹膜图像上运行。在具挑战性的跨域与域内场景下进行的广泛实验突显了一致优于现有方法的结果。与最先进方法相比，DFCANet 在基准 IIITD CLI、IIIT CSD 和 NDCLD13 数据库上分别取得显著性能提升。此外，引入了一种新颖的基于增量学习的方法，以克服解耦虹膜数据特性与数据稀缺问题。本文还探讨了将软性隐形眼镜归入攻击类别并在多种跨域协议下评估的具挑战性场景。代码将公开提供。
引用
@article{arxiv.2111.00919,
title = {DFCANet: Dense Feature Calibration-Attention Guided Network for Cross Domain Iris Presentation Attack Detection},
author = {Gaurav Jaswal and Aman Verma and Sumantra Dutta Roy and Raghavendra Ramachandra},
journal= {arXiv preprint arXiv:2111.00919},
year = {2021}
}