揭示人脸活体检测模型的细粒度对抗脆弱性
计算机视觉与模式识别
2023-05-03 v3
摘要
人脸活体检测旨在区分欺骗性人脸图像（如打印照片）与真实人脸。然而，对抗样本极大挑战了其可信度，添加少量扰动噪声即可轻易改变预测结果。已有工作采用对抗攻击方法评估人脸活体检测性能，但缺乏关于何种模型架构或辅助特征易受对抗攻击的细粒度分析。为解决此问题，我们提出一种新颖框架以揭示人脸活体检测模型的细粒度对抗脆弱性，该框架由多任务模块和语义特征增强（SFA）模块组成。多任务模块可获取不同语义特征以进一步评估，但仅攻击这些语义特征无法反映与判别性相关的脆弱性。我们随后设计 SFA 模块，引入数据分布先验，以提供更多与判别性相关的梯度方向用于生成对抗样本。综合实验表明，SFA 模块使攻击成功率平均提升近 40。我们在不同标注、几何图和骨干网络（如 Resnet 网络）上进行了此细粒度对抗分析。这些细粒度对抗样本可用于选择鲁棒骨干网络和辅助特征，也可用于对抗训练，从而切实进一步提高人脸活体检测模型的准确率和鲁棒性。
引用
@article{arxiv.2205.14851,
title = {Exposing Fine-Grained Adversarial Vulnerability of Face Anti-Spoofing Models},
author = {Songlin Yang and Wei Wang and Chenye Xu and Ziwen He and Bo Peng and Jing Dong},
journal= {arXiv preprint arXiv:2205.14851},
year = {2023}
}
备注
Accepted by IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshop, 2023