2023 野外人脸防伪挑战赛：基准与结果
计算机视觉与模式识别
2023-05-08 v3 人工智能
摘要
人脸防伪（FAS）是保障自动人脸识别系统完整性的重要机制。尽管已取得实质性进展，现有方法在现实世界应用中的泛化能力仍具挑战。此局限可归因于公开 FAS 数据集的稀缺与缺乏多样性，常导致训练过拟合或测试饱和。在数量方面，伪造主体数是关键决定因素。多数数据集包含少于 2,000 个主体。在多样性方面，大多数数据集由受控环境下通过重复机械过程收集的伪造样本组成。该数据收集方法导致样本同质化且场景多样性匮乏。为弥补这些不足，我们引入 Wild Face Anti-Spoofing (WFAS) 数据集，一个在无约束环境中收集的大规模、多样化 FAS 数据集。我们的数据集包含 321,751 个伪造主体的 853,729 张图像和 148,169 个活体主体的 529,571 张图像，数量上大幅增长。此外，我们的数据集纳入从互联网获取的伪造数据，涵盖广泛场景与多种商用传感器，包括 17 种呈现攻击（PAs），含 2D 与 3D 形式。该新颖数据收集策略显著增强了 FAS 数据多样性。利用 WFAS 数据集与协议 1（已知类型），我们在 CVPR2023 研讨会举办 Wild Face Anti-Spoofing Challenge。另外，我们使用协议 1 与协议 2（未知类型）细致评估代表性方法。通过对挑战结果和基准基线的深入考察，我们提供具洞见的分析并提议未来研究的潜在方向。该数据集基于 Insightface 发布。
引用
@article{arxiv.2304.05753,
title = {Wild Face Anti-Spoofing Challenge 2023: Benchmark and Results},
author = {Dong Wang and Jia Guo and Qiqi Shao and Haochi He and Zhian Chen and Chuanbao Xiao and Ajian Liu and Sergio Escalera and Hugo Jair Escalante and Zhen Lei and Jun Wan and Jiankang Deng},
journal= {arXiv preprint arXiv:2304.05753},
year = {2023}
}
备注
CVPRW2023