具有双阶段隐私保护的联邦测试时自适应人脸呈现攻击检测
计算机视觉与模式识别
2021-10-26 v1
摘要
人脸呈现攻击检测 (fPAD) 在现代人脸识别流程中起着关键作用。人脸呈现攻击检测模型对未知攻击的泛化能力已成为实际部署的关键问题，当模型使用来自不同输入分布和不同类型 spoof 攻击的人脸图像训练时，该能力可得到提升。现实中，由于法律与隐私问题，训练数据（包括真实人脸图像与 spoof 图像）不允许在不同数据源之间直接共享。本文为应对这一挑战，提出了一种具有双阶段隐私保护的联邦测试时自适应人脸呈现攻击检测框架，旨在训练与测试阶段均增强 fPAD 模型的泛化能力，同时保护数据隐私。在训练阶段，所提框架利用联邦学习技术，通过聚合来自不同数据源的模型更新而无需访问其私有数据，从而同时利用各数据源处丰富的 fPAD 信息。为进一步提升泛化能力，在测试阶段，我们通过最小化 fPAD 模型在测试数据上预测的熵来探索测试时自适应，这缓解了训练与测试数据间的域间隙，从而降低 fPAD 模型的泛化误差。我们引入了实验设定以评估所提框架，并开展了大量实验以提供关于所提 fPAD 方法的多种见解。
引用
@article{arxiv.2110.12613,
title = {Federated Test-Time Adaptive Face Presentation Attack Detection with Dual-Phase Privacy Preservation},
author = {Rui Shao and Bochao Zhang and Pong C. Yuen and Vishal M. Patel},
journal= {arXiv preprint arXiv:2110.12613},
year = {2021}
}
备注
Accepted by FG 2021. arXiv admin note: substantial text overlap with arXiv:2104.06595, arXiv:2005.14638