面向人脸活体检测的单向域泛化方法
计算机视觉与模式识别
2020-04-30 v1
摘要
现有人脸活体检测的域泛化方法致力于提取共性区分特征以提升泛化能力。然而，由于不同域中伪造人脸间分布差异较大，难以为伪造人脸寻求一个紧凑且泛化的特征空间。本工作中，我们提出一种端到端单向域泛化框架（SSDG）以提升人脸活体检测的泛化能力。其核心思想是学习一个泛化特征空间，其中真实人脸的特征分布在不同域间紧凑，而伪造人脸的特征在不同域间分散但在各域内部紧凑。具体而言，训练一个特征生成器仅使来自不同域的真实人脸不可区分，而不对伪造人脸作此约束，从而形成单向对抗学习。此外，设计一种非对称三元组损失以约束不同域的伪造人脸相互分离而真实人脸聚合。上述两点以端到端训练方式集成于统一框架，从而得到更具泛化性的分类边界，尤其利于来自新域的样本。引入特征与权重归一化以进一步提升泛化能力。大量实验表明，所提方法有效，并在四个公开数据库上优于当前最优（SOTA）方法。
引用
@article{arxiv.2004.14043,
title = {Single-Side Domain Generalization for Face Anti-Spoofing},
author = {Yunpei Jia and Jie Zhang and Shiguang Shan and Xilin Chen},
journal= {arXiv preprint arXiv:2004.14043},
year = {2020}
}