联邦人脸呈现攻击检测
计算机视觉与模式识别
2020-09-30 v2
摘要
人脸呈现攻击检测在现代人脸识别流程中起着至关重要的作用。当使用来自不同输入分布和不同类型欺骗攻击的人脸图像进行训练时，可以获得具有良好泛化能力的人脸呈现攻击检测模型。在现实中，由于法律和隐私问题，训练数据（包括真实人脸图像和欺骗图像）不会在数据所有者之间直接共享。本文以规避这一挑战为动机，提出了联邦人脸呈现攻击检测框架。FedPAD 在保护数据隐私的同时，利用了不同数据所有者处可用的丰富 fPAD 信息。在所提框架中，每个数据所有者（称为数据中心）在本地训练自己的 fPAD 模型。服务器通过迭代聚合来自所有数据中心的模型更新来学习全局 fPAD 模型，而无需访问其中的私有数据。一旦学习到的全局模型收敛，即用于 fPAD 推理。我们引入了评估所提 FedPAD 框架的实验设置，并进行了大量实验，以提供关于 fPAD 联邦学习的各种见解。
引用
@article{arxiv.2005.14638,
title = {Federated Face Presentation Attack Detection},
author = {Rui Shao and Pramuditha Perera and Pong C. Yuen and Vishal M. Patel},
journal= {arXiv preprint arXiv:2005.14638},
year = {2020}
}