评估攻击无关特征用于形态攻击检测的有效性
计算机视觉与模式识别
2024-11-13 v1 机器学习
图像与视频处理
摘要
近年来，形态攻击已显著多样化，基于生成对抗网络（GAN）和扩散模型的新方法对人脸识别系统构成了重大威胁。近期研究证明了从仅在真实数据上预训练的大型视觉模型（攻击无关特征）中提取的特征对于检测深度生成图像的有效性。在此基础上，我们研究了这些图像表示在形态攻击检测（MAD）中的潜力。我们通过在提取的特征上训练简单的二元线性支持向量机（SVM）来开发监督检测器，并通过高斯混合模型（GMM）对真实特征分布进行建模来开发单类检测器。我们的方法在一系列全面的攻击和各种场景下进行了评估，包括对未见攻击的泛化、不同源数据集以及打印扫描数据。结果表明，攻击无关特征可以有效检测形态攻击，在大多数场景中优于文献中的传统监督和单类检测器。此外，我们提供了对每种考虑表示的优点和局限性的见解，并讨论了进一步增强我们方法鲁棒性和泛化性的潜在未来研究方向。
引用
@article{arxiv.2410.16802,
title = {Evaluating the Effectiveness of Attack-Agnostic Features for Morphing Attack Detection},
author = {Laurent Colbois and Sébastien Marcel},
journal= {arXiv preprint arXiv:2410.16802},
year = {2024}
}
备注
Published in the 2024 IEEE International Joint Conference on Biometrics (IJCB)