基于一致性正则化的可泛化变形攻击检测研究
计算机视觉与模式识别
2023-08-22 v1
摘要
尽管近期研究借助深度神经网络在变形攻击检测（morph attack detection）方面取得了显著进展，但它们往往难以很好地泛化到未见过的变形攻击。随着众多变形攻击频繁出现，可泛化的变形攻击检测受到了极大关注。本文从一致性正则化（consistency regularization）的角度出发，致力于增强变形攻击检测的泛化能力。一致性正则化基于如下前提：可泛化的变形攻击检测应输出一致的预测，而不受输入空间中可能出现的各种变化影响。为此，本文提出了两种简单而有效的变形级增强方法，以在我们的一致性正则化中探索广泛的真实变形变换空间。随后，模型被正则化，以在跨越广泛变形级增强图像的对数（logit）及嵌入（embedding）层面上一致地学习。所提出的一致性正则化使我们的模型在隐藏层中的抽象表示，与来自真实世界中不同域生成的变形攻击图像之间对齐。实验结果表明，与当前最优（state-of-the-art）研究相比，我们提出的方法具有更优的泛化性与鲁棒性。
引用
@article{arxiv.2308.10392,
title = {Towards Generalizable Morph Attack Detection with Consistency Regularization},
author = {Hossein Kashiani and Niloufar Alipour Talemi and Mohammad Saeed Ebrahimi Saadabadi and Nasser M. Nasrabadi},
journal= {arXiv preprint arXiv:2308.10392},
year = {2023}
}
备注
Accepted to the IEEE International Joint Conference on Biometrics (IJCB), 2023