不止于辅助损失：通过对抗式伪深度生成进行反欺骗骨干网络训练
计算机视觉与模式识别
2021-03-22 v2 人工智能
摘要
本文讨论了一种新的训练流程方法，以在基于 RGB 图像的反欺骗任务上取得显著性能。我们探索并强调了使用伪深度预训练一个将作为最终分类器骨干网络的网络所产生的影响。尽管将伪深度用于反欺骗任务本身并非新想法，但以往的尝试仅将伪深度简单地用作提取特征以进行预测的另一种媒介，或作为辅助主分类器训练的诸多辅助损失之一，从而将伪深度的重要性弱化为另一种语义信息。通过本工作，我们论证：在生成对抗网络框架下，经预训练的生成器学习预测给定人脸图像对应的伪深度，能为训练最终分类器带来显著优势。我们的实验结果表明，我们的方法得到一个更具适应性的系统，不仅能够泛化到数据集内的样本，还能泛化到训练期间从未见过的跨数据集样本。在定量上，我们的方法以少用 15.8 倍参数的代价，逼近当前最先进（SOTA）反欺骗模型的基线性能。此外，实验表明所引入的方法仅使用基本二分类标签而无额外语义信息即可表现良好，这表明本工作在需权衡额外标注与资源的工业及应用环境中具有潜在益处。
引用
@article{arxiv.2101.00200,
title = {More than just an auxiliary loss: Anti-spoofing Backbone Training via Adversarial Pseudo-depth Generation},
author = {Chang Keun Paik and Naeun Ko and Youngjoon Yoo},
journal= {arXiv preprint arXiv:2101.00200},
year = {2021}
}