学习广义欺骗线索以用于人脸反欺骗
计算机视觉与模式识别
2020-05-11 v1
摘要
许多现有人脸反欺骗 (FAS) 方法侧重于对预定义欺骗类型的决策边界进行建模。然而，欺骗样本（包括未知样本）的多样性阻碍了有效的决策边界建模，并导致泛化能力弱。本文从异常检测的角度重新表述 FAS，并提出一种残差学习框架来学习判别性的活体-欺骗差异，将其定义为欺骗线索。所提出的框架由一个欺骗线索生成器和一个辅助分类器组成。生成器最小化活体样本的欺骗线索，同时对欺骗样本的欺骗线索不施加显式约束，以使其能很好地泛化到未见攻击。以此方式，异常检测被隐式用于指导欺骗线索的生成，从而实现判别性特征学习。辅助分类器充当欺骗线索放大器，使欺骗线索更具判别力。我们进行了大量实验，实验结果表明所提出的方法持续优于 state-of-the-art 方法。代码将公开于 https://github.com/vis-var/lgsc-for-fas。
引用
@article{arxiv.2005.03922,
title = {Learning Generalized Spoof Cues for Face Anti-spoofing},
author = {Haocheng Feng and Zhibin Hong and Haixiao Yue and Yang Chen and Keyao Wang and Junyu Han and Jingtuo Liu and Errui Ding},
journal= {arXiv preprint arXiv:2005.03922},
year = {2020}
}
备注
16 pages