基于多核局部化学习的未知人脸呈现攻击检测
计算机视觉与模式识别
2022-04-25 v1 机器学习
摘要
本文研究人脸欺骗,亦称呈现攻击检测(PAD),聚焦于未知攻击类型这一困难场景。尽管早期研究已揭示集成方法、尤其是多核学习(MKL)方法对该问题的益处,此类技术的一个局限是通常同等对待整个观测空间,忽略数据固有的变异性与局部结构。本工作结合一类设定下的多核学习,研究人脸呈现攻击检测问题的这一方面,以利用真实人脸样本的内在局部结构。更具体地,受一类 Fisher 零空间形式体系成功的启发,我们通过施加对局部核权重集合的联合矩阵范数约束,构建了一个凸局部化多核学习算法,并为零样本一类未知攻击检测推断局部自适应权重。我们利用 Rademacher 复杂度对所提局部化 MKL 算法进行理论研究以刻画其泛化能力,并展示所提技术相对于若干其他方案的优越性。在通用物体图像数据集上的评估表明其对异常与新奇检测的有效性,而在人脸 PAD 数据集上的实验结果验证了其检测未知/未见人脸呈现攻击的潜力。
引用
@article{arxiv.2204.10675,
title = {Unknown Face Presentation Attack Detection via Localised Learning of Multiple Kernels},
author = {Shervin Rahimzadeh Arashloo},
journal= {arXiv preprint arXiv:2204.10675},
year = {2022}
}