基于集成堆叠的人脸呈现攻击检测域泛化方法
计算机视觉与模式识别
2023-09-19 v2
摘要
人脸呈现攻击检测（PAD）在保护人脸识别系统免受欺骗攻击方面起着关键作用。尽管在设计人脸PAD方法方面已取得很大进展，但开发一个能很好泛化到未见测试域的模型仍是一项重大挑战。此外，由于存在不同类型的欺骗攻击，创建具有足够数量样本以训练深度神经网络的数据集是一项费力的工作。本工作提出了一种综合解决方案，结合合成数据生成与深度集成学习来增强人脸PAD的泛化能力。具体而言，通过使用alpha合成和视频蒸馏将静态图像与时空编码图像混合来生成合成数据。以此方式，我们模拟具有不同alpha值的运动模糊，从而生成多样化的合成数据子集，有助于更丰富的训练集。此外，使用堆叠集成学习在每个合成数据子集上训练多个基模型。这使得模型能够从不同的合成子集中学习互补的特征与表示。基模型生成的元特征被用作称为元模型的新模型的输入。后者结合基模型的预测，利用其互补信息以更好地处理未见目标域并提升整体性能。在四个数据集上的实验结果表明，在三个基准数据集上取得了较低的半总错误率（HTER）：CASIA-MFSD（8.92%）、MSU-MFSD（4.81%）和OULU-NPU（6.70%）。该方法通过利用大规模合成数据和元模型，在推进呈现攻击检测方面展现出潜力。
引用
@article{arxiv.2301.02145,
title = {Domain Generalization via Ensemble Stacking for Face Presentation Attack Detection},
author = {Usman Muhammad and Jorma Laaksonen and Djamila Romaissa Beddiar and Mourad Oussalah},
journal= {arXiv preprint arXiv:2301.02145},
year = {2023}
}