基于双重概率建模的鲁棒人脸活体检测
计算机视觉与模式识别
2022-04-28 v1
摘要
随着深度学习的兴起，人脸活体检测（FAS）领域取得了巨大进展。由于其数据驱动的特性，现有的FAS方法对数据集中的噪声很敏感，这会阻碍学习过程。然而，很少有工作考虑FAS中的噪声建模。在这项工作中，我们试图通过以概率方式自动处理来自标签和数据两个角度的噪声问题来填补这一空白。具体来说，我们提出了一个称为双重概率建模（DPM）的统一框架，其中包含两个专用模块：DPM-LQ（标签质量感知学习）和DPM-DQ（数据质量感知学习）。这两个模块都基于数据和标签应形成一致概率分布的假设而设计。DPM-LQ能够产生鲁棒的特征表示，而不会过度拟合噪声语义标签的分布。DPM-DQ可以通过基于其质量分布校正噪声数据的预测置信度，在推理过程中消除来自“错误拒绝”和“错误接受”的数据噪声。这两个模块都可以无缝且高效地集成到现有的深度网络中。此外，我们提出了广义DPM，以解决实际使用中的噪声问题，而无需语义标注。大量实验表明，这种概率建模可以1）显著提高准确性，2）使模型对真实世界数据集中的噪声具有鲁棒性。在没有额外技巧的情况下，我们提出的DPM在多个标准FAS基准测试上实现了最先进的性能。
引用
@article{arxiv.2204.12685,
title = {Robust Face Anti-Spoofing with Dual Probabilistic Modeling},
author = {Yuanhan Zhang and Yichao Wu and Zhenfei Yin and Jing Shao and Ziwei Liu},
journal= {arXiv preprint arXiv:2204.12685},
year = {2022}
}