VISER：面向开放集 iris 攻击检测的视觉信息增强系统
计算机视觉与模式识别
2026-05-08 v2
摘要
人类感知先验在顾及深度学习训练的显著性导向方面已显示出前景，尤其是在虹膜攻击检测（PAD）领域。常见的显著性方法包括通过鼠标点击获得的手工注释和来自眼动热图的眼动数据。然而，最有效的形式的人类显著性对于开放集虹膜PAD仍未得到充分探索。在本论文中，我们进行了一系列实验，比较手工注释、眼动热图、分割掩码和基础模型嵌入在开放集虹膜PAD任务上的效果，与基于深度学习的SOTA基线进行比较。面向开放集PAD的leave-one-attack-type out范式结果表明，去噪后的眼动热图在Bona Fide Presentation Classification Error Rate（BPCER）为1%时，相对于交叉熵显示出最佳的泛化改进，攻击呈现分类错误率（APCER）。本论文附带的随附物包括经过训练的模型、代码以及显著性图，以便可重复性以及促进后续研究。
引用
@article{arxiv.2603.17859,
title = {VISER: Visually-Informed System for Enhanced Robustness in Open-Set Iris Presentation Attack Detection},
author = {Byron Dowling and Jacob Piland and Eleanor Frederick and Christopher Sweet and Adam Czajka},
journal= {arXiv preprint arXiv:2603.17859},
year = {2026}
}
备注
Version 2