用于人脸活体检测的双阶段特征学习解耦表示
计算机视觉与模式识别
2021-10-19 v1
摘要
随着人脸识别在各种安全关键应用中的广泛使用，人脸活体检测（FAS）的研究引起了越来越多的关注。如果测试数据中的攻击类型与训练数据相同，几种 FAS 方法已经取得了有前景的性能，然而对于未见过的攻击类型，其性能显著下降。学习更具泛化性和判别性的特征对于防止对预定义的欺骗攻击类型过拟合至关重要。本文提出了一种新颖的双阶段解耦表示学习方法，能够高效地将欺骗相关特征与无关特征解开。与以往具有单阶段架构的 FAS 解耦工作不同，我们发现双阶段训练设计可以提高训练稳定性，并有效地编码特征以检测未见过的攻击类型。我们的实验表明，在几个跨类型 FAS 基准上，所提出的方法比现有最先进的方法具有更高的准确率。
引用
@article{arxiv.2110.09157,
title = {Disentangled Representation with Dual-stage Feature Learning for Face Anti-spoofing},
author = {Yu-Chun Wang and Chien-Yi Wang and Shang-Hong Lai},
journal= {arXiv preprint arXiv:2110.09157},
year = {2021}
}
备注
WACV 2022