面向人脸防伪学习的可泛化与身份判别表示
计算机视觉与模式识别
2019-01-18 v1
摘要
由于人脸认证系统对高安全性的需求，人脸防伪（又称呈现攻击检测）已引起越来越多的关注。现有的基于 CNN 的方法通常在训练与测试 spoofing 样本呈现相似模式时能很好识别，但在测试未见场景的 spoofing 人脸时性能会急剧下降。在本文中，我们尝试通过设计一个具有两个主要新颖点的 CNN 模型来提升这些方法的泛化性与适用性。首先，我们提出一种简单而有效的用于 CNN 训练的总成对混淆（Total Pairwise Confusion, TPC）损失，它增强了所学呈现攻击（PA）表示的泛化性。其次，我们将快速域适应（Fast Domain Adaptation, FDA）组件整合进 CNN 模型以缓解域变化带来的负面影响。此外，我们提出的模型被称为可泛化人脸认证 CNN（GFA-CNN），它以多任务方式工作，同时执行人脸防伪与人脸识别。实验结果表明，GFA-CNN 优于先前的人脸防伪方法，并且很好地保留了输入人脸图像的身份信息。
引用
@article{arxiv.1901.05602,
title = {Learning Generalizable and Identity-Discriminative Representations for Face Anti-Spoofing},
author = {Xiaoguang Tu and Jian Zhao and Mei Xie and Guodong Du and Hengsheng Zhang and Jianshu Li and Zheng Ma and Jiashi Feng},
journal= {arXiv preprint arXiv:1901.05602},
year = {2019}
}
备注
8 pages; 8 figures; 4 tables