用于更新人脸活体检测模型的多域学习
计算机视觉与模式识别
2023-04-18 v2
摘要
本工作中，我们研究用于人脸活体检测的多域学习（MD-FAS），其中预训练 FAS 模型需被更新以在源域与目标域上均表现良好，而仅使用目标域数据进行更新。我们提出一种用于 MD-FAS 的新模型，其解决了学习新域数据时的遗忘问题，同时具备高度适应性。首先，我们设计了一个简洁而有效的模块，称为欺骗区域估计器（SRE），用于识别欺骗图像中的欺骗痕迹。此类欺骗痕迹反映了源预训练模型的响应，有助于升级模型在更新过程中对抗灾难性遗忘。与先前估计产生多个输出或低分辨率二值掩码欺骗痕迹的工作不同，SRE 以无监督方式生成单一、细致的逐像素估计。其次，我们提出一个名为 FAS-wrapper 的新框架，其从预训练模型迁移知识并无缝集成不同 FAS 模型。最后，为助力社区进一步推进 MD-FAS，我们基于 SIW、SIW-Mv2 与 Oulu-NPU 构建新基准，并引入四种不同评估协议，其中源域与目标域在欺骗类型、年龄、种族与光照方面相异。我们所提方法在 MD-FAS 基准上取得优于先前方法的性能。我们的代码与新整理的 SIW-Mv2 已公开可用。
引用
@article{arxiv.2208.11148,
title = {Multi-domain Learning for Updating Face Anti-spoofing Models},
author = {Xiao Guo and Yaojie Liu and Anil Jain and Xiaoming Liu},
journal= {arXiv preprint arXiv:2208.11148},
year = {2023}
}
备注
To appear at ECCV 2022 as an oral presentation. The SiW-Mv2 dataset is detailed in the Appendix