用于零样本与少样本人脸活体检测的元模型学习
计算机视觉与模式识别
2021-09-08 v3
摘要
人脸活体检测对人脸识别系统的安全至关重要。以往多数方法将人脸活体检测建模为监督学习问题以检测各类预定义呈现攻击，需大规模训练数据覆盖尽可能多攻击。然而，训练模型易对几种常见攻击过拟合，且对未知攻击仍脆弱。为克服该挑战，检测器应：1）从预定义呈现攻击中学习可泛化至未知 spoofing 类型的判别特征；2）通过从预定义攻击与新攻击的少量样本学习，快速适应新 spoofing 类型。因此，我们定义人脸活体检测为零样本与少样本学习问题。本文提出一种新颖的自适应内更新元人脸活体检测（AIM-FAS）方法，通过元学习解决该问题。具体而言，AIM-FAS 训练一个元学习器，聚焦于从预定义活体与 spoofing 人脸及新攻击的少量样本学习中检测未知 spoofing 类型的任务。为评估所提方法，我们提出若干零样本与少样本 FAS 基准。实验表明，在已有零样本 FAS 协议下，其在本基准上的性能优于现有方法。
引用
@article{arxiv.1904.12490,
title = {Learning Meta Model for Zero- and Few-shot Face Anti-spoofing},
author = {Yunxiao Qin and Chenxu Zhao and Xiangyu Zhu and Zezheng Wang and Zitong Yu and Tianyu Fu and Feng Zhou and Jingping Shi and Zhen Lei},
journal= {arXiv preprint arXiv:1904.12490},
year = {2021}
}
备注
Accepted by AAAI2020