学习多种可解释且可泛化的线索用于人脸活体检测
计算机视觉与模式识别
2022-02-22 v1
摘要
尽管先前基于CNN的人脸活体检测方法在数据集内测试中取得了良好性能，但在跨数据集测试中泛化性差。主因在于其仅以二分类监督训练网络，可能学到在训练集上过拟合的任意线索。为使所学特征可解释且更具泛化性，一些研究者引入人脸深度与反射图作为辅助监督。然而，许多其他可泛化线索尚未在人脸活体检测中被探索，限制了其跨数据集测试性能。为此，我们提出一种新框架以学习多种可解释且可泛化的线索（MEGC）用于人脸活体检测。具体而言，受人类决策过程启发，除二分类监督外，引入人类使用的四类主要线索作为辅助监督： spoof介质边界、摩尔纹、反射伪影与人脸深度。为避免额外标注成本，提出相应合成方法生成这些辅助监督图。在公开数据集上的大量实验验证了这些线索的有效性，且所提方法取得了SOTA性能。
引用
@article{arxiv.2202.10187,
title = {Learning Multiple Explainable and Generalizable Cues for Face Anti-spoofing},
author = {Ying Bian and Peng Zhang and Jingjing Wang and Chunmao Wang and Shiliang Pu},
journal= {arXiv preprint arXiv:2202.10187},
year = {2022}
}
备注
Camera Ready, ICASSP 2022