通用表现攻击检测:一种面部防欺诈评估方案
本文提出了一种新颖的基于深度度量学习技术的面部异常检测架构,通过引入新的损失函数 “度量 softmax”,引导学习过程中的特征向更加具有区分性的表示;同时,通过 few-shot 方法进行后验概率估计,无需训练分类器即可验证结果;实验结果表明,该方法在面部 Presentation Attack Detection 领域取得了显著的性能优势。
Apr, 2019
该论文介绍了一种利用人脸相关任务先验知识来提高 Presentation Attack Detection (PAD) 的泛化能力的方法,该方法包括引入人脸相关任务的特征、设计跨模态适配器以重新映射特征并使用卷积神经网络 (CNN) -basaed PA 检测器的分层特征和重新映射特征来实现 PAD。实验结果表明,该方法在复杂和混合数据集上表现显着优于现有技术。
Nov, 2021
本研究提供了一个结合多个 PAD 数据集的 Combined Attribute Annotated PAD Dataset(CAAD-PAD),并引入了 Accuracy Balanced Fairness(ABF)这一新指标来综合衡量 PAD 的公平性和绝对性能,同时提出了一种名为 FairSWAP 的数据增强方法,可以提高面部 PAD 的公平性和性能。
Sep, 2022
RoPAD 是一种使用深度学习的端到端模型,通过无监督的对抗不变性来忽略图像中的视觉干扰,从而实现有效的演示攻击检测。实验证明该框架在多个基准数据集上展现了最先进的性能。
Mar, 2019
最近的面部演示攻击检测 (PAD) 利用领域适应 (DA) 和领域泛化 (DG) 技术来解决未知领域上的性能降级问题。然而,基于 DA 的 PAD 方法需要访问未标记的目标数据,而大多数基于 DG 的 PAD 解决方案依赖于先验的,即已知的域标签。此外,大多数基于 DA/DG 的方法在计算上要求复杂的模型架构和 / 或多阶段的训练过程。本文提出一种从因果角度将面部 PAD 建模为复合 DG 任务的方法,通过逆向干预挖掘高级表示中隐藏的因果因素。此外,我们引入了一种面向类别的 MixStyle,用于丰富类别内的特征级数据分布,而不是侧重于域信息。类别引导的 MixStyle 和逆向干预组件都不引入额外的可训练参数和计算资源。大量的跨数据集和分析实验证明了我们的方法与最先进的 PAD 方法相比的有效性和效率。实现代码和训练权重公开可用。
Aug, 2023
基于远程光电容积描记术 (rPPG),本研究提出了三种不同的基于 rPPG 的展示攻击检测方法:(i) 生理领域,即使用 rPPG 模型的领域,(ii) Deepfakes 领域,在其中从生理领域重新训练模型以执行特定的 Deepfakes 检测任务;和 (iii) 新的展示攻击领域,通过将从前两个领域应用迁移学习来提高区分真实和攻击的能力。实验结果表明,基于 rPPG 的模型在展示攻击检测中效率高,将平均分类错误率 (ACER) 从 41.03%降低到 19.32%,比生理和 Deepfakes 领域减少了 21.70%。我们的实验突出了 rPPG 模型中迁移学习的效率,且对于不允许复制这种生理特征的设备,在展示攻击检测中表现良好。
Oct, 2023
本研究提出了一种基于 Flickr 图像的新型 PAD 数据库:Flickr-PAD,利用该数据库进行训练和评估可以得到比现有算法更好的结果,该方法使用了 MobileNet-V3 和 EfficientNet-B0 模型, BPCER10 为 7.08%,BPCER20 为 11.15%。
Apr, 2023
本研究提出了一种基于多通道卷积神经网络的面部攻击检测方法,以解决面部生物识别在非监督应用中易受攻击的问题,并引入了新的宽多通道演示攻击数据库用于面部演示攻击研究。研究结果表明该方法优于现有特征提取方法,能够在 WMCA 数据库上实现 0.3% 的 ACER 性能,并已开放该数据库和相关软件供公共使用。
Sep, 2019
通过分类总结深度学习 Fingerprint Presentation Attack Detection(FPAD)的方法,主要集中于近年来的 deep-learning FPAD 技术,涉及指纹认证、攻击检测、接触式和智能手机模式等主题。
May, 2023