CVPRApr, 2020

多域解缠表示学习的跨域人脸攻击检测

PDF
TL;DR提出了一种用于跨域人脸展示攻击检测的高效解耦表征学习方法：DR-Net 和 MD-Net。实验表明，该方法有效解决了传统方法中因训练集主体特征过拟合而导致无法很好地泛化到未知情景的问题。
face presentation attack detectionpadcross-domaindisentangled representation learningmulti-domain learning
发现论文，激发创造
  • 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

  • 分离和适应：学习跨域解缠深度表示

    本研究提出了一种用于跨域图像特征提取和 unsupervised domain adaptation 的深度学习模型，实现了特征的 disentanglement 和适应，并在实验中证实了其有效性和优越性。

    May, 2017

  • 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

  • VLAD-VSA：基于词汇分离和适应性的跨领域人脸攻击检测

    本研究提出了使用 VLAD 聚合方法进行本地特征量化，并使用这些特征量化保留了本地特征的可区分性，以及通过词汇分离和适应方法进行跨领域 PAD 任务的改进，以达到更好的相似度测量结果。

    Feb, 2022

  • 跨域人物识别的联合去耦和适应

    本文提出了一种联合学习框架，通过提纯表征空间来改善适应性，并使用不同的空间对身份相关 / 不相关特征进行解缠，并在共享外观空间上执行对抗性对齐和自我训练进行适应。实验表明，该框架在未受监督的领域自适应方面胜过现有技术。

    Jul, 2020

  • 多模态文档演示攻击检测与取证痕迹解耦

    基于多模态分离轨迹（MMDT）的文档演示攻击检测（DPAD）方法可消除现有方法的一些限制，通过对重新捕获的轨迹进行分离和融合，提高文档图像的泛化能力，并在三个基准数据集的实验中展示出其出色的法医痕迹表示能力。

    Apr, 2024

  • 通过无监督姿势解缠和适应实现跨数据集个人重新识别

    本文提出了一种基于姿态解耦和适应网络（PDA-Net）的跨数据集人员再识别方法，该方法通过学习深层次图像表示对姿态和域信息进行解耦，并形成跨域姿态不变的特征空间，使其具有不错的准确性。

    Sep, 2019

  • 虹膜呈现攻击检测的单域动态泛化

    本文提出了一种单一域动态泛化框架，它能够在每个样本基础上同时利用领域不变特征和领域特定特征，并通过信息最大化损失和元学习的模式使网络能够泛化到各种未知领域中，在 LivDet-Iris 2017 数据集上取得了最佳效果。

    May, 2023

  • AED-PADA: 通过主要对抗领域适应性提高对抗样本检测的泛化能力

    通过主对抗领域适应的对抗性样例检测方法（AED-PADA），针对现有检测方法在广泛应用中存在的泛化性能较差的问题提出了解决方案，通过识别主对抗领域（PAD）并利用多源领域适应实现对对抗性样例的检测，实验表明我们的方法在具有极小幅度干扰的挑战性场景中具备突出的泛化能力。

    Apr, 2024

  • 通用表现攻击检测：一种面部防欺诈评估方案

    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。

    Apr, 2019