Apr, 2019

通用表现攻击检测：一种面部防欺诈评估方案

PDF
TL;DR本文介绍了一种名为 face-GPAD 的新的开源评估框架，旨在研究人脸 PAD 方法的泛化能力，同时提出了一个聚合和分类的大型数据集，以解决公共数据集之间的不兼容性问题，并提出了两个新的评估协议，旨在测量人脸分辨率变化引入的影响和评估对抗性操作条件的影响。
发现论文，激发创造
  • 通用人脸防欺骗的深度异常检测

    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

  • FRT-PAD：基于人脸相关任务驱动的有效呈现攻击检测

    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

  • 人脸表现攻击检测中的公正性

    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: 无监督对抗不变性强的强鲁棒性演示攻击检测

    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

  • 通过挖掘因果线索和调整嵌入统计量进行人脸展示攻击检测

    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

  • PAD-Phys 在面部生物测量中利用生理学进行演示攻击检测

    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

  • 一种紧凑型深度学习模型用于人脸欺骗检测

    本文采用宽与深特征融合的神经网络结构来解决假攻击检测问题，并在多个数据集上进行了实验验证。

    Jan, 2021

  • Flickr-PAD: 新面孔高分辨率演示攻击检测数据库

    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

  • 基于多通道卷积神经网络的生物特征面部呈现攻击检测

    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

  • 基于深度学习的指纹呈现攻击检测：综述

    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