Sep, 2023

监控人脸反欺诈数据不确定性的分布估计

PDF
TL;DR通过建模数据的不确定性，本研究提出了一种将传统面部反欺骗（FAS）点估计转换为分布估计的方法，以提高 FAS 在长距离监控场景中的稳定性和准确性。该方法在 SuHiFiMask 数据集上得到了验证，并在 ACER 和 AUC 指标上表现出可比较的性能。
face anti-spoofinglong-distance surveillance scenariosdata uncertaintydistributional estimation (dise)suhifimask
发现论文，激发创造
  • 监控人脸反欺诈

    本文提出了一种基于 SuHiFiMask 数据集的 CQIL 网络，用于解决监控安全场景下面临的照片模拟攻击干扰和图像质量降低等问题。该方法通过图像质量变量模块（IQV）、对比学习策略和独立于图像质量的 Separate Quality Network（SQN）等方面来提高计算机视觉中的人脸反欺骗技术的准确性和稳定性。

    Jan, 2023

  • 基于双阶段特征学习的人脸反欺诈解绑特征表示

    提出一种新的双阶段解缠表示学习方法，可以更好地检测未见攻击类型，以防止过度拟合于预定义的欺骗攻击类型，并在多个交叉类型的面部反欺骗基准测试中表现出卓越的准确性。

    Oct, 2021

  • 监视人脸演示攻击检测挑战赛

    本文介绍了通过收集大规模 SuHiFiMask 数据集并举行面部表现攻击检测挑战赛来填补 FAS 领域中的空白，从而探讨长距离场景中的反欺骗技术，挑战吸引了 180 支队伍参加开发及最终比赛，本文也提供了排名最高的算法及其在攻击检测领域中的研究思路。

    Apr, 2023

  • 人脸识别中的数据不确定性学习

    本研究将数据不确定性学习应用于人脸识别，实现对特征（平均值）和不确定性（方差）的同时学习，并提供了有关如何结合不确定性估计来减少噪声样本不利影响以及影响特征学习的深入分析。

    Mar, 2020

  • CNN 网络数据领域变化的可视化方法及分类任务阈值选择的优化方法

    通过可视化方法来直观反映模型的训练结果，并展示数据增强技术对跨领域 Face Anti-Spoofing 任务的有效性，同时基于训练数据集的分布提出了一种设置阈值的方法。最终在两个竞赛中获得了第二名。

    Apr, 2024

  • 基于深度不确定性学习的人脸反欺诈的双重欺骗分离生成

    本文提出了基于 Dual Spoof Disentanglement Generation (DSDG) 框架的 “反欺诈通过生成” 的方法来改善现有的人脸反欺诈数据集的不足，采用可解释分解的潜变量表征来生成大规模的成对的真实和欺诈图片，通过引入轻量级的深度不确定性模块 (DUM)，消除了由于噪声样本所导致的深度预测不准确的问题，实验结果在五个基准测试中，均取得了最优效果。

    Dec, 2021

  • 面部反欺诈的特征生成与假设验证

    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

  • 人脸反欺诈的深度学习技术概述

    本文首次系统综述了基于深度学习的人脸反欺诈技术，从像素级监督、领域泛化和多模式传感器等多个角度出发，阐述了该领域的最新成果与潜在前景。

    Jun, 2021

  • 抑制和平衡：通往广义多模式人脸反欺诈

    在人脸识别系统中，针对演示性攻击，多模态学习方法面临模态不可靠性和模态不平衡性的挑战，本研究提出了 Uncertainty-Guided Cross-Adapter (U-Adapter) 和 Rebalanced Modality Gradient Modulation (ReGrad) 两种方法来解决这些问题，在多模态人脸反欺骗中取得了优于现有方法的性能。

    Feb, 2024

  • 关于人脸识别和人脸防伪模型的对抗性攻击

    同时对人脸识别系统和人脸反欺骗模型进行对抗攻击，通过样式对齐的分布偏差、实例风格对齐和梯度一致性维护模块，提高对黑盒攻击的容量，通过大量实验表明该攻击方法优于现有的对抗攻击方法。

    May, 2024