无重演域连续人脸防伪：泛化更强且遗忘更少
计算机视觉与模式识别
2023-03-20 v1
摘要
人脸防伪（FAS）近期在持续学习设定下被研究，其中FAS模型期望在遭遇来自新域的数据后不断演化。然而，现有方法需要额外的重演缓冲区来存储先前数据以进行重演，当先前数据因隐私问题不可用时，这变得不可行。本文中，我们提出了首个用于FAS域持续学习（DCL）的无重演方法，其同时应对灾难性遗忘和未见过域泛化问题。为更好地泛化到未见过域，我们设计了动态中心差分卷积适配器（DCDCA）以在持续学习过程中适配视觉Transformer（ViT）模型。为在不使用先前数据的情况下缓解对先前域的遗忘，我们提出代理原型对比正则化（PPCR），利用来自代理原型的先前域知识约束持续学习。为模拟实际DCL场景，我们设计了两种评估泛化与抗遗忘性能的新协议。大量实验结果表明，我们所提方法能提升在未见过域中的泛化性能，并缓解对先前知识的灾难性遗忘。代码与协议将很快发布。
引用
@article{arxiv.2303.09914,
title = {Rehearsal-Free Domain Continual Face Anti-Spoofing: Generalize More and Forget Less},
author = {Rizhao Cai and Yawen Cui and Zhi Li and Zitong Yu and Haoliang Li and Yongjian Hu and Alex Kot},
journal= {arXiv preprint arXiv:2303.09914},
year = {2023}
}