面向人脸呈现攻击检测的样式引导域适应方法
计算机视觉与模式识别
2022-06-22 v2
摘要
用于人脸呈现攻击检测（PAD）的域适应（DA）或域泛化（DG）近期因其对未知攻击场景的鲁棒性而受到关注。然而，现有的基于DA/DG的PAD方法尚未充分挖掘可提供攻击样式知识（如材料、背景、光照与分辨率）的域特定样式信息。本文中，我们引入了一种新颖的样式引导域适应（SGDA）框架，用于推理时自适应PAD。具体而言，提出样式选择性归一化（SSN）以在高阶特征统计中挖掘域特定样式信息。所提出的SSN通过减小目标域与源域之间的样式差异，使模型适应目标域。此外，我们精心设计了样式感知元学习（SAML）以提升适应能力，其通过在虚拟测试域上模拟带样式选择过程的推理时适应。与以往的域适应方法不同，我们的方法在训练时既不需要额外的辅助模型（如域适配器），也不需要无标签目标域，这使得我们的方法在PAD任务中更为实用。为验证实验，我们使用了公开数据集：MSU-MFSD、CASIA-FASD、OULU-NPU与Idiap REPLAYATTACK。在大多数评估中，结果表明与传统的基于DA/DG的PAD方法相比存在显著的性能差距。
引用
@article{arxiv.2203.14565,
title = {Style-Guided Domain Adaptation for Face Presentation Attack Detection},
author = {Young-Eun Kim and Woo-Jeoung Nam and Kyungseo Min and Seong-Whan Lee},
journal= {arXiv preprint arXiv:2203.14565},
year = {2022}
}
备注
With the agreement of all authors, we would like to withdraw the manuscript. For lack of some experiments, a part of important claims cannot stand solidly. We need to further carry out experiments, and reconsider the rationality of these claims