用于呈现攻击检测的重排块级监督
计算机视觉与模式识别
2021-09-10 v2 密码学与安全
机器学习
摘要
人脸反欺骗对于防止利用照片、视频、面具或授权人面部的其他替代物进行虚假人脸验证至关重要。大多数最先进(state-of-the-art)的呈现攻击检测(PAD)系统都存在过拟合问题,它们在单一数据集上取得近乎完美的分数,但在具有更真实数据的不同数据集上却失败。该问题促使研究者开发在真实世界条件下表现良好的模型。对于使用卷积神经网络(CNN)的基于帧的呈现攻击检测系统而言,这是一个尤其具有挑战性的问题。为此,我们提出一种结合像素级二值监督与基于块(patch)的 CNN 的新 PAD 方法。我们认为,用人脸块训练 CNN 可使模型在不学习背景或数据集特有痕迹的情况下区分欺骗攻击。我们在标准基准数据集——Replay-Mobile、OULU-NPU——以及一个真实世界数据集上测试了所提方法。所提方法在具有挑战性的实验设置中展现出优越性,即在 OULU-NPU 协议 3、4 以及跨数据集真实世界实验中取得了更高性能。
引用
@article{arxiv.2109.03484,
title = {Shuffled Patch-Wise Supervision for Presentation Attack Detection},
author = {Alperen Kantarcı and Hasan Dertli and Hazım Kemal Ekenel},
journal= {arXiv preprint arXiv:2109.03484},
year = {2021}
}
备注
Accepted to 20th International Conference of the Biometrics Special Interest Group (BIOSIG 2021) as Oral paper