基于融合的少样本换脸攻击检测与溯源
计算机视觉与模式识别
2022-10-28 v1
摘要
由于人脸生物特征识别在现实世界中的广泛采用，人脸识别系统对换脸攻击的脆弱性已构成了严重的安全威胁。大多数现有的换脸攻击检测 (MAD) 方法需要大量训练数据，且仅在少数预定义的攻击模型上进行了测试。缺乏良好的泛化能力，尤其是考虑到开发新型换脸攻击的兴趣日益增长，是现有 MAD 研究的一个关键局限。为解决这个问题，本文中我们提出将 MAD 从监督学习扩展到少样本学习，并从二分类检测扩展到多类溯源。我们的技术贡献包括：1) 我们提出一种基于融合的少样本学习 (FSL) 方法，以学习能够从预定义呈现攻击泛化到未见换脸攻击类型的判别性特征；2) 所提出的基于 PRNU 模型与 Noiseprint 网络融合的 FSL 从二分类 MAD 扩展到多类换脸攻击溯源 (MAF)；3) 我们收集了一个大规模数据库，包含五个人脸数据集和八种不同的换脸算法，以对提出的少样本 MAF (FS-MAF) 方法进行基准测试。大量实验结果表明我们基于融合的 FS-MAF 具有优异性能。代码与数据将公开于 https://github.com/nz0001na/mad maf。
引用
@article{arxiv.2210.15510,
title = {Fusion-based Few-Shot Morphing Attack Detection and Fingerprinting},
author = {Na Zhang and Shan Jia and Siwei Lyu and Xin Li},
journal= {arXiv preprint arXiv:2210.15510},
year = {2022}
}