基于动态灰度片段的自监督人脸呈现攻击检测
计算机视觉与模式识别
2022-11-02 v4
摘要
人脸呈现攻击检测（PAD）在防御人脸识别系统遭受呈现攻击方面起着重要作用。PAD 的成功在很大程度上依赖于需要大量标注数据的监督学习，这对于视频尤其具有挑战性且常需专家知识。为避免昂贵的标注数据收集，本文提出一种通过运动预测进行自监督视频表示学习的新方法。为此，我们利用基于视频序列中三个不同时刻获取的三帧 RGB 帧的时间一致性。所得帧随后被转换为灰度图像，其中每幅图像被指定到三个不同通道如 R（红）、G（绿）和 B（蓝），以形成动态灰度片段（DGS）。受此启发，利用视频的不同时间长度基于 DGS 自动生成标签以增加时间多样性，这被证明对下游任务非常有帮助。得益于我们方法的自监督性质，我们在四个公开基准（即 Replay-Attack、MSU-MFSD、CASIA-FASD 和 OULU-NPU）上报告了优于现有方法的结果。已通过 LIME 和 Grad-CAM 技术进行可解释性分析，以可视化 DGS 中使用的最重要特征。
引用
@article{arxiv.2208.13070,
title = {Self-Supervised Face Presentation Attack Detection with Dynamic Grayscale Snippets},
author = {Usman Muhammad and Mourad Oussalah},
journal= {arXiv preprint arXiv:2208.13070},
year = {2022}
}