面向人脸反欺骗的潜变量分布调整
计算机视觉与模式识别
2023-05-17 v1
摘要
随着深度学习的发展，人脸反欺骗（FAS）领域取得了巨大进展。FAS 通常被视为分类问题，其中假设每个类别包含由 softmax 损失优化的单一簇。在实际部署中，一个类别可包含若干局部簇，单一中心不足以捕捉 FAS 数据的内在结构。然而，FAS 领域中极少有方法考虑大的分布差异。本工作中，我们提出了一个称为潜变量分布调整（LDA）的统一框架，具有潜变量、判别性、自适应、通用等特性，通过调整具有多原型的复杂数据分布来提升 FAS 模型的鲁棒性。1）潜变量。LDA 尝试将每个类别的数据建模为高斯混合分布，并在最后全连接层中隐式地为每个类别获取灵活数量的中心。2）判别性。为增强类内紧致性与类间差异性，我们提出基于间隔的损失，为原型学习提供分布约束。3）自适应。为使 LDA 更高效并减少冗余参数，我们提出自适应原型选择（APS），根据不同分布自适应地选择合适的中心数量。4）通用。此外，LDA 可利用极少训练数据适应未见分布而无需重新训练。大量实验表明，我们的框架能够 1）使最终表示空间类内紧致且类间可分，2）在多个标准 FAS 基准上优于 SOTA 方法。
引用
@article{arxiv.2305.09285,
title = {Latent Distribution Adjusting for Face Anti-Spoofing},
author = {Qinghong Sun and Zhenfei Yin and Yichao Wu and Yuanhan Zhang and Jing Shao},
journal= {arXiv preprint arXiv:2305.09285},
year = {2023}
}