细粒度元人脸防欺骗的正则化
提出一种基于元学习的领域动态调整方法,以无需使用领域标签的方式迭代地计算混合域,并使用区分性领域表示学习模块提取出区分性的领域特征进行聚类,并结合最大均值偏差以及实例归一化来实现可靠的聚类效果。实验表明,该方法比传统的基于领域泛化的面部反欺诈方法效果更好,并通过可视化进一步提升了方法的可解释性。
May, 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
本研究提出了一种自适应框架以应对面部反欺骗技术面临的跨域泛化问题,使用基于元学习的领域自适应算法,利用未标记的测试域数据来更新适配器以进一步提高性能。在四个公共数据集上的实验证明了该方法的有效性。
Feb, 2021
本文提出了一种使用 CNN 框架利用目标领域的稀疏标记数据来改善人脸防欺骗模型跨数据集测试性能的方法,实验结果表明仅使用少量标记样本即可显著提高模型的泛化能力。
Jan, 2019
提出了基于规范化选择的适应性规范化表示学习框架,可提高面部反欺诈的泛化能力并具有较高的鲁棒性。通过实验验证了该方法在 SOTA 竞争者中的有效性。
Aug, 2021
本文提出了一种通过元学习来实现对新的未见领域进行面部识别的方法,该方法名为 “Meta Face Recognition(MFR)”,该方法利用元优化目标综合源 / 目标域转移,并通过优化多域分布来合并梯度 / 元梯度以提高泛化性能,同时提出了两个用于泛化人脸识别评估的基准,实验结果证实了该方法的优越性能。
Mar, 2020
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
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
该文研究了多样本领域深度伪造检测模型的泛化能力,提出了一个广义多场景深伪检测框架,并通过领域对齐损失强制调整模型以表示多个数据集中的特定和共同的真实 / 伪造特征。在多源数据上进行的定性和定量实验表明了该方法的有效性。
Jun, 2024
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