联邦泛化人脸呈现攻击检测
计算机视觉与模式识别
2022-05-03 v2
摘要
人脸呈现攻击检测在现代人脸识别流程中起着关键作用。当使用来自不同输入分布与不同类型欺骗攻击的人脸图像训练时，可获得具有良好泛化能力的人脸呈现攻击检测模型。现实中，由于法律与隐私问题，训练数据（真实人脸图像与欺骗图像）不在数据拥有者之间直接共享。本文中，为规避此挑战，我们提出联邦人脸呈现攻击检测（FedPAD）框架，在保护数据隐私的同时利用不同数据拥有者处丰富的 fPAD 信息。在该框架中，各数据中心本地训练自身的 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，而不访问其中任一中心的私有数据。为使服务器中聚合的 fPAD 模型对来自用户的未知攻击具备更好泛化能力，遵循 FedPAD 基本思想，我们进一步提出联邦泛化人脸呈现攻击检测（FedGPAD）框架。FedGPAD 中引入了联邦域解耦策略，其将各数据中心视为一个域，并在每个数据中心将 fPAD 模型分解为域不变与域特定部分。两部分分别解耦各本地数据中心图像中的域不变与域特定特征。服务器仅聚合来自数据中心的 fPAD 模型的域不变部分来学习全局 fPAD 模型，从而在服务器中聚合出更具泛化性的 fPAD 模型。我们介绍了评估所提 FedPAD 与 FedGPAD 框架的实验设定，并开展了大量实验以提供关于 fPAD 联邦学习的多种见解。
引用
@article{arxiv.2104.06595,
title = {Federated Generalized Face Presentation Attack Detection},
author = {Rui Shao and Pramuditha Perera and Pong C. Yuen and Vishal M. Patel},
journal= {arXiv preprint arXiv:2104.06595},
year = {2022}
}
备注
Accepted by IEEE Transactions on Neural Networks and Learning Systems (TNNLS) 2022. arXiv admin note: substantial text overlap with arXiv:2005.14638