数字与物理人脸攻击的统一检测
计算机视觉与模式识别
2021-04-07 v1
摘要
针对人脸攻击的最先进防御机制在对抗、数字篡改或物理伪造这三类攻击中的某一类内可达到近乎完美的准确率，但当跨全部三类测试时却无法良好泛化。泛化性差可归因于对不相干攻击的联合学习。为克服此缺陷，我们提出一种统一攻击检测框架，即UniFAD，可自动聚类属于这三类的25种相干攻击类型。利用多任务学习框架与k-means聚类，UniFAD为相干攻击学习联合表示，而不相关的攻击类型则分开学习。所提UniFAD优于主流防御方法及其融合，在由341K张真实图像和448K张跨全部3类25种类型的攻击图像组成的大型伪造人脸数据集上，整体TDR = 94.73% @ 0.2% FDR。所提方法在Nvidia 2080Ti上可在3毫秒内检测一次攻击。UniFAD还能分别以75.81%和97.37%的准确率识别攻击类型与类别。
引用
@article{arxiv.2104.02156,
title = {Unified Detection of Digital and Physical Face Attacks},
author = {Debayan Deb and Xiaoming Liu and Anil K. Jain},
journal= {arXiv preprint arXiv:2104.02156},
year = {2021}
}