利用多通道卷积神经网络学习单类表示用于人脸呈现攻击检测
计算机视觉与模式识别
2020-07-23 v1
摘要
人脸识别已发展为一种广泛使用的生物特征模态。然而，其面对呈现攻击的脆弱性构成了重大安全威胁。尽管呈现攻击检测（PAD）方法试图解决此问题，它们通常难以泛化到未见过的攻击。在本工作中，我们提出了一种使用单类分类器的 PAD 新框架，其中所用的表示由多通道卷积神经网络（MCCNN）学习得到。引入了一种新颖的损失函数，迫使网络为真实（bonafide）类学习紧凑的嵌入，同时远离攻击的表示。在这些嵌入之上使用单类高斯混合模型执行 PAD 任务。所提框架引入了一种从真实数据和可用（已知）攻击类学习鲁棒 PAD 系统的新方法。这一点尤为重要，因为收集真实数据和较简单的攻击远比收集种类繁多的昂贵攻击容易。所提系统在公开可用的 WMCA 多通道人脸 PAD 数据库上进行了评估，该数据库包含多种 2D 和 3D 攻击。此外，我们使用仅 RGB 通道在 MLFP 和 SiW-M 数据集上进行了实验。在未见攻击协议下的优越性能显示了所提方法的有效性。用于复现结果的软件、数据和协议均已公开提供。
引用
@article{arxiv.2007.11457,
title = {Learning One Class Representations for Face Presentation Attack Detection using Multi-channel Convolutional Neural Networks},
author = {Anjith George and Sebastien Marcel},
journal= {arXiv preprint arXiv:2007.11457},
year = {2020}
}
备注
15 pages