基于孪生网络与少样本学习的单样本变形攻击检测
计算机视觉与模式识别
2022-06-23 v1
摘要
人脸变形攻击检测具有挑战性，并对人脸验证系统构成具体且严重的威胁。针对此类攻击的可靠检测机制，已在鲁棒跨数据库协议与未知变形工具下经过测试，仍是一项研究挑战。本文提出一种遵循少样本学习（Few-Shot Learning）方法的框架，其基于孪生网络利用三元组半难损失共享图像信息，以应对变形攻击检测并提升聚类分类过程。该网络将真实或潜在变形图像与变形及真实人脸图像的三元组进行比较。我们的结果表明，这一新网络对数据点进行聚类并分配至类别，从而在仅共享来自未知数据库的少量图像数量的跨数据库场景下获得更低等错误率。少样本学习有助于提升学习过程。使用跨数据集的实验结果（以FRGCv2训练，以FERET与AMSL开放访问数据库测试）表明，采用ResNet50时将BPCER10从43%降至4.91%，MobileNetV2为5.50%。
引用
@article{arxiv.2206.10969,
title = {Single Morphing Attack Detection using Siamese Network and Few-shot Learning},
author = {Juan Tapia and Daniel Schulz and Christoph Busch},
journal= {arXiv preprint arXiv:2206.10969},
year = {2022}
}