驯服用于呈现攻击检测的自监督学习：去折叠与去混合
计算机视觉与模式识别
2023-06-05 v3 人工智能
摘要
生物特征系统容易受到使用各种呈现攻击工具（PAI）执行的呈现攻击（PA）的威胁。尽管存在大量基于深度学习和手工特征的呈现攻击检测（PAD）技术，但 PAD 对未知 PAI 的泛化仍然是一个具有挑战性的问题。在这项工作中，我们经验性地证明了 PAD 模型的初始化是影响泛化的关键因素，这在社区中鲜有讨论。基于这一观察，我们提出了一种基于自监督学习的方法，记为 DF-DM。具体而言，DF-DM 基于全局-局部视图，结合去折叠与去混合来导出用于 PAD 的任务特定表示。在去折叠过程中，所提出的技术将通过显式最小化生成损失来学习区域特定特征，以局部模式表示样本。而去混合则通过最小化基于插值的一致性，驱动检测器获取具有全局信息的实例特定特征，以实现更全面的表示。大量实验结果表明，与 state-of-the-art 方法相比，所提出的方法在更复杂和混合的数据集上的面部和指纹 PAD 方面均能取得显著提升。在 CASIA-FASD 和 Idiap Replay-Attack 上训练时，所提出的方法在 OULU-NPU 和 MSU-MFSD 上可实现 18.60% 的等错误率（EER），超过基线性能 9.54%。所提出技术的源代码可在 https://github.com/kongzhecn/dfdm 获取。
引用
@article{arxiv.2109.04100,
title = {Taming Self-Supervised Learning for Presentation Attack Detection: De-Folding and De-Mixing},
author = {Zhe Kong and Wentian Zhang and Feng Liu and Wenhan Luo and Haozhe Liu and Linlin Shen and Raghavendra Ramachandra},
journal= {arXiv preprint arXiv:2109.04100},
year = {2023}
}
备注
Accepted by IEEE Transactions on Neural Networks and Learning Systems (TNNLS)