变形攻击检测——数据库、评估平台与基准测试
计算机视觉与模式识别
2022-01-06 v3
摘要
变形攻击已对人脸识别系统（FRS）构成严重威胁。尽管近期工作报道了诸多进展，我们注意到一些严重的开放问题，如独立基准测试、泛化性挑战以及年龄、性别、族裔方面的考量未得到充分解决。变形攻击检测（MAD）算法常易受泛化性挑战，因其依赖于数据库。现有数据库多为半公开性质，在族裔、各种变形过程和后处理流水线方面缺乏多样性。此外，它们未反映自动边境控制（ABC）的真实操作场景，也未提供在未见数据上测试 MAD 以基准算法鲁棒性的基础。本工作中，我们呈现一个新的隔离数据集以促进 MAD 进展，算法可在未见数据上测试以更好地泛化。新构建的数据集包含来自 150 名不同族裔、年龄组和两性受试者的面部图像。为挑战现有 MAD 算法，变形图像由贡献图像经谨慎受试者预选创建，并进一步后处理以消除变形伪影。图像还被打印和扫描以去除所有数字线索，并模拟对 MAD 算法的真实挑战。此外，我们提出一个新的在线评估平台，用于在隔离数据上测试算法。借助该平台，我们可基准变形检测性能并研究泛化能力。本工作还对隔离数据的各子集进行了详细分析，并概述了 MAD 研究未来方向的开放挑战。
引用
@article{arxiv.2006.06458,
title = {Morphing Attack Detection -- Database, Evaluation Platform and Benchmarking},
author = {Kiran Raja and Matteo Ferrara and Annalisa Franco and Luuk Spreeuwers and Illias Batskos and Florens de Wit Marta Gomez-Barrero and Ulrich Scherhag and Daniel Fischer and Sushma Venkatesh and Jag Mohan Singh and Guoqiang Li and Loïc Bergeron and Sergey Isadskiy and Raghavendra Ramachandra and Christian Rathgeb and Dinusha Frings and Uwe Seidel and Fons Knopjes and Raymond Veldhuis and Davide Maltoni and Christoph Busch},
journal= {arXiv preprint arXiv:2006.06458},
year = {2022}
}
备注
This paper is a pre-print. The article is accepted for publication in IEEE Transactions on Information Forensics and Security (TIFS)