基于类特定稀疏单类多核融合回归的未知人脸呈现攻击检测
计算机视觉与模式识别
2020-01-01 v1
摘要
本文针对未知攻击场景下的人脸呈现攻击检测这一挑战性问题展开研究，该场景中系统暴露于训练阶段未出现的新型呈现攻击。为此，提出了一种基于核回归的纯单类人脸呈现攻击检测方法，其仅利用真实（ genuine）样本进行训练。在所提方法中，引入多项创新，包括多核融合、客户特定建模、稀疏正则化以及分数分布的概率建模，以提升方法的有效性。在 OULU-NPU、Replay-Mobile、Replay-Attack 和 MSU-MFSD 数据集上的实验评估结果表明，所提方法在未知攻击检测场景下与其他方法相比极具优势，且尽管仅使用真实样本训练，其性能与多类方法（利用呈现攻击数据训练）相比仍极具竞争力。
引用
@article{arxiv.1912.13276,
title = {Unseen Face Presentation Attack Detection Using Class-Specific Sparse One-Class Multiple Kernel Fusion Regression},
author = {Shervin Rahimzadeh Arashloo},
journal= {arXiv preprint arXiv:1912.13276},
year = {2020}
}