用于广义人脸呈现攻击检测的可学习多级频率分解与分层注意力机制
计算机视觉与模式识别
2021-11-03 v3
摘要
随着人脸识别系统在我们日常生活中的部署日益增多，人脸呈现攻击检测（PAD）正受到广泛关注，并在保障人脸识别系统安全中起着关键作用。尽管基于手工设计和基于深度学习的方法在数据集内评估中取得了优异性能，但在处理未见场景时性能会下降。在本工作中，我们提出了一种双流卷积神经网络（CNNs）框架。其中一流采用四个可学习频率滤波器在频域学习特征，这些特征受传感器/光照变化的影响较小。另一流利用 RGB 图像来补充频域特征。此外，我们提出了一种分层注意力模块集成，通过考虑 CNN 不同层中深度特征的性质，在不同阶段融合两流的信息。所提方法在数据集内和跨数据集设定下进行了评估，结果表明与包括专为域适应/偏移问题设计的方法在内的当前最优（state-of-the-art）方法相比，我们提出的方法在大多数实验设定中增强了泛化能力。我们通过逐步消融研究成功验证了所提 PAD 方案的设计，该研究涉及我们提出的可学习频率分解、分层注意力模块设计以及所用损失函数。训练代码与预训练模型已公开发布。
引用
@article{arxiv.2109.07950,
title = {Learnable Multi-level Frequency Decomposition and Hierarchical Attention Mechanism for Generalized Face Presentation Attack Detection},
author = {Meiling Fang and Naser Damer and Florian Kirchbuchner and Arjan Kuijper},
journal= {arXiv preprint arXiv:2109.07950},
year = {2021}
}
备注
Accepted at IEEE Winter Conference on Applications of Computer Vision (WACV 2022)