双曲空间人脸活体检测
计算机视觉与模式识别
2023-08-21 v1
摘要
学习针对呈现攻击的泛化人脸活体检测（FAS）模型对人脸识别系统的安全至关重要。以往 FAS 方法通常促使模型提取判别性特征，使同类（真实或攻击）内距离被拉近，而真实与攻击间距离被推远。然而，这些方法基于欧氏距离设计，因层级嵌入能力弱，对未知攻击检测缺乏泛化能力。鉴于不同欺骗攻击本质具层级性，我们提出在双曲空间中学习更丰富的层级与判别性欺骗线索。具体地，对于单模态 FAS 学习，将特征嵌入投影至 Poincaré 球，随后级联双曲二元逻辑回归层进行分类。为进一步提升泛化性，我们对仅真实样本进行双曲对比学习，同时放松对多样欺骗攻击的约束。为缓解双曲空间中的梯度消失问题，提出一种新的特征裁剪方法以增强双曲模型训练稳定性。此外，我们进一步设计了融合欧氏多模态特征分解与双曲多模态特征融合及分类的多模态 FAS 框架。在三个具多样攻击类型的基准数据集（即 WMCA、PADISI-Face 和 SiW-M）上的大量实验表明，相较欧氏基线，所提方法在未知攻击检测上可带来显著提升。此外，该框架在四个攻击类型有限的基准数据集（即 MSU-MFSD、IDIAP REPLAY-ATTACK、CASIA-FASD 和 OULU-NPU）上也具良好泛化性。
引用
@article{arxiv.2308.09107,
title = {Hyperbolic Face Anti-Spoofing},
author = {Shuangpeng Han and Rizhao Cai and Yawen Cui and Zitong Yu and Yongjian Hu and Alex Kot},
journal= {arXiv preprint arXiv:2308.09107},
year = {2023}
}