CNN架构对人脸变形呈现攻击的泛化能力
计算机视觉与模式识别
2023-10-18 v1
摘要
自动边境控制系统已在全球现代机场中广泛部署。针对人脸生物特征识别的变形（morphing）攻击是一种严重威胁，破坏了机场与边境管控中所部署人脸识别系统的安全性与可靠性。因此，开发鲁棒的机器学习（ML）系统对于防止犯罪分子使用伪造身份跨境至关重要，尤其鉴于已有研究表明安检人员检测变形的能力并不优于机器。本研究考察卷积神经网络（CNN）架构针对变形攻击的泛化能力。研究使用了5种不同的CNN，即ShuffleNet、DenseNet201、VGG16、EffecientNet-B0与InceptionResNet-v2。每种CNN架构在参数量、结构设计及各类计算机视觉应用上的性能方面均代表一个知名的CNN模型族。为保障评估的鲁棒性，我们采用4个不同数据集（Utrecht、London、Defacto与KurdFace），其包含多样化的数字人脸图像，涵盖种族、性别、年龄、光照条件与相机设置的差异。ML系统设计的根本概念之一是对未见数据的有效泛化能力，因此我们不仅在各数据集内评估CNN模型性能，还探索其在合并数据集上的表现，并仅在测试阶段考察各数据集。基于4个数据集超过8千张（真实与变形）图像的实验结果表明，InceptionResNet-v2对未见数据泛化更好，且优于其他4种CNN模型。
引用
@article{arxiv.2310.11105,
title = {Generalizability of CNN Architectures for Face Morph Presentation Attack},
author = {Sherko R. HmaSalah and Aras Asaad},
journal= {arXiv preprint arXiv:2310.11105},
year = {2023}
}