EaZy Learning：一种用于指纹活体检测的自适应集成学习变体
计算机视觉与模式识别
2021-03-04 v1
摘要
在生物识别领域，指纹识别系统易受人工生成的伪造指纹呈现攻击。因此，在认证前对指纹进行活体检测至关重要。指纹活体检测机制在数据集内环境下表现良好，但在跨传感器（使用新传感器获取的指纹测试时）与跨数据集（在一个数据集上训练、另一数据集上测试时）设定下表现极差。为增强指纹伪造检测器的泛化能力、鲁棒性与互操作性，学习模型需对数据具有自适应性。我们提出一种通用模型 EaZy learning，可视为急切学习与惰性学习之间的自适应中间形态。我们展示了该自适应性在跨传感器与跨数据集环境下的效用。EaZy learning 在生成假设池时考察数据集的固有属性。EaZy learning 类似于集成学习，因其生成基分类器集成并整合以作出预测；但其生成基分类器的方式不同。EaZy learning 构建完全不相交的基分类器集成，这对底层集成的多样性有良性影响。此外，它基于这些基分类器在验证数据上的表现整合其预测。在标准高维数据集 LivDet 2011、LivDet 2013 与 LivDet 2015 上的实验证明了该模型在跨数据集与跨传感器环境下的有效性。
引用
@article{arxiv.2103.02207,
title = {EaZy Learning: An Adaptive Variant of Ensemble Learning for Fingerprint Liveness Detection},
author = {Shivang Agarwal and C. Ravindranath Chowdary and Vivek Sourabh},
journal= {arXiv preprint arXiv:2103.02207},
year = {2021}
}