用于人脸反 spoofing 的元模式学习
计算机视觉与模式识别
2022-05-18 v2 多媒体
摘要
人脸反欺骗(Face Anti-Spoofing, FAS) 对于保障人脸识别系统的安全至关重要，近年来已得到广泛研究。尽管用于 FAS 任务的深度神经网络(DNNs) 在训练与测试数据分布相似的域内实验中取得了有前景的结果，但在训练与测试数据分布不同的跨域场景下，DNNs 的泛化能力有限。为提升泛化能力，近期混合方法被探索用于提取任务感知的手工特征（如局部二值模式）作为 DNNs 输入的判别信息。然而，手工特征提取依赖于专家的领域知识，且如何选取恰当的手工特征尚缺乏充分研究。为此，我们在学会学习(learning-to-learn) 框架中提出一个可学习网络以提取元模式(Meta Pattern, MP)。通过以 MP 替代手工特征，来自 MP 的判别信息能够学习到更具泛化性的模型。此外，我们设计了一个双流网络，利用所提出的层级融合模块(Hierarchical Fusion Module, HFM) 对输入的 RGB 图像与提取的 MP 进行层级融合。我们进行了全面的实验，表明我们的 MP 优于所比较的手工特征。同时，我们提出的结合 HFM 与 MP 的方法在两个不同的域泛化评测基准上均达到了最先进的性能。
引用
@article{arxiv.2110.06753,
title = {Learning Meta Pattern for Face Anti-Spoofing},
author = {Rizhao Cai and Zhi Li and Renjie Wan and Haoliang Li and Yongjian Hu and Alex Chichung Kot},
journal= {arXiv preprint arXiv:2110.06753},
year = {2022}
}
备注
Accepted by IEEE Transactions on Information Forensics and Security (https://ieeexplore.ieee.org.remotexs.ntu.edu.sg/document/9732458) Source code available in https://github.com/RizhaoCai/MetaPattern_FAS