本文介绍了一种增强数据域广义化中反欺骗性能的新视角,并提出了一种在视频层面上以度量为基础的方法,用于优化模型的稳定性和泛化能力。研究结果显示,简单地扩大模型的骨干网络并不能本质上改善模型的不稳定性,因此我们从贝叶斯的角度提出了一种集成骨干网络的方法,该方法在度量和欺骗准确度方面均取得了更好的结果,并能利用不确定性测量的优势,在训练过程中实现增强抽样以提升模型的泛化能力。通过在 OMC 数据集以及 CelebA-Spoof 和 SiW-Mv2 数据集上进行评估,我们的最终模型在偏差、方差、HTER 和 AUC 等指标上均超过了现有的最先进方法,展示了在这些方面的进展。
Jun, 2024
本文提出了一种基于条件分类器领域鉴别器的活体检测方法,该方法结合了梯度反转层,以产生具有鉴别性而又对环境光照、分辨率等因素具有鲁棒性的真人和虚假特征,该方法在图像和视频方面均优于现有的反欺诈技术。
Dec, 2019
本文提出了一种利用无监督预训练改进性能的方法,介绍了 Entry Antispoofing 数据集来进行监督微调,并提出了一种多类别辅助分类层,以增强检测欺骗企图的二进制分类任务,实现了在多个数据集上的最新结果。
Jun, 2022
本文提出了一种特征生成和假设验证框架来缓解领域泛化和表示解缠问题,该框架引入了生成真实人脸和已知攻击假设的特征生成网络,进而应用两个假设验证模块来判断输入人脸是否来自真人脸空间和真人脸分布,实验结果表明我们的方法取得了有前途的结果,超过了广泛公开数据集上最先进的方法。
Dec, 2021
提出了一种单边领域泛化(SSDG)框架,通过学习可推广的特征空间并使用非对称三元组损失来约束从不同域中生成的假面孔的分布,从而提高了面部反欺骗的泛化能力,并使用端到端的训练方式,通过实验证明该方法在四个公共数据库上优于现有的方法。
Apr, 2020
该论文提出了一种基于 CNN 的面部反欺骗检测方法,使用总成对混淆(TPC)损失和快速域适应(FDA)组件来提高泛化性能和适用性,同时进行面部反欺骗和面部识别的多任务学习。实验结果表明,该模型在面部反欺骗方面优于之前的方法,并很好地保留了输入面部图像的身份信息。
Jan, 2019
本文提出了一种基于元学习的面部防欺诈域泛化方法,该方法以细粒度学习策略和领域知识正则化作为核心,以优化元学习过程并提高面部防欺诈模型的泛化能力,实验结果表明其有效性。
Nov, 2019
本文使用卷积神经网络(CNN)中的局部特征来提高面部欺骗检测的性能,并且在整个面部图像上进行预训练,使 CNN 可以学习不同的本地欺骗线索,从而改进了性能并提高了最终模型的收敛速度。
Jun, 2018
本文研究人脸反欺诈(FAS)模型在领域差异上的泛化问题,提出可使不同领域的实况到欺诈的过渡轨迹相同而达到域可分性和域不变分类器的 FAS 策略,即 SA-FAS,并在跨领域 FAS 数据集上展示其卓越性能。
Mar, 2023
通过可视化方法来直观反映模型的训练结果,并展示数据增强技术对跨领域 Face Anti-Spoofing 任务的有效性,同时基于训练数据集的分布提出了一种设置阈值的方法。最终在两个竞赛中获得了第二名。
Apr, 2024