面向人脸活体检测的具有域对齐的双教师知识蒸馏
计算机视觉与模式识别
2024-01-03 v1
摘要
人脸识别系统因易受不同呈现攻击而引发担忧，系统安全性已成为日益关键的问题。尽管许多人脸活体检测 (FAS) 方法在数据集内场景中表现良好，但其泛化能力仍是一个挑战。为解决这一问题，一些方法采用域对抗训练 (DAT) 来提取域不变特征。然而，编码器与域判别器之间的竞争可能导致网络难以训练和收敛。在本文中，我们提出了一种域对抗攻击 (DAA) 方法，通过对输入图像添加扰动来缓解训练不稳定问题，使其在跨域时不可区分从而实现域对齐。此外，由于在有限数据和攻击类型上训练的模型无法很好地泛化到未知攻击，我们提出了一种用于人脸活体检测的双重感知与生成知识蒸馏框架，该框架利用了包含丰富人脸先验的预训练人脸相关模型。具体而言，我们采用两个不同的人脸相关模型作为教师，将知识迁移到目标学生模型中。预训练的教师模型并非来自人脸活体检测任务，而是分别来自感知任务和生成任务，从而隐式地增强了数据。通过结合 DAA 和双教师知识蒸馏，我们开发了一种用于人脸活体检测的具有域对齐的双教师知识蒸馏框架 (DTDA)。通过在多个协议下的公共数据集上进行广泛的消融研究并与最先进的方法进行比较，验证了我们所提出方法的优势。
引用
@article{arxiv.2401.01102,
title = {Dual Teacher Knowledge Distillation with Domain Alignment for Face Anti-spoofing},
author = {Zhe Kong and Wentian Zhang and Tao Wang and Kaihao Zhang and Yuexiang Li and Xiaoying Tang and Wenhan Luo},
journal= {arXiv preprint arXiv:2401.01102},
year = {2024}
}