人脸表现攻击检测中的公正性
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
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
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
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
本文介绍了 MixFairFace 框架,旨在提高人脸识别模型的公正性,并通过新的评估协议来公平地评估不同方法的公平表现。此外,我们提出了 MixFair Adapter 来确定和减少训练样本的身份偏差,解决了面部表征中的身份偏差问题,从而在所有基准数据集中实现了最先进的公平性能。
Nov, 2022
本文介绍了一种基于合成数据的面部防伪数据集,名为 SynthASpoof,简要阐述了 MixStyle 的工作原理以及使用合成数据作为有限认证训练数据的补充,并给出了该数据集、实现和预训练权重的公开链接。
Mar, 2023
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
文章提出了一种灵活的方法来提高人工智能系统的公平性,即针对不同族群的公正性问题,利用对抗性扰动来盲化输入数据中与公平性相关的特征,该方法有效且具有出色的性能。
Mar, 2022
本文研究了人脸表情识别中的偏见与公平性问题,并对三种不同的方法在两个不同数据集上进行了比较,结果表明,使用数据增强的属性感知方法和解缠方法比基线方法更具准确性和公平性,在减轻人口统计学偏见方面,解缠方法是最好的选择。
Jul, 2020
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