该研究提出了一种基于 Efficient Parameter Transfer Learning (EPTL) 范 Paradigm 的面部反欺骗 (Face Anti-Spoofing,FAS) 方法,通过在预训练的 Vision Transformer 模型中插入适配器模块,并在训练过程中更新适配器,从而在零样本和少样本的跨域测试中实现了显著的改进,超过了多个基准测试的最新方法。
Sep, 2023
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
基于卷积视觉变换器的框架通过全局信息和面部图像中的局部线索来改善人脸识别性能和抵抗领域转变的作用,在面部反欺诈和领域泛化等领域取得了显著的提升。
Jul, 2023
本文提出一种自适应视觉变换器 (ViT) 方法,利用集成适配器模块和特征转换层适应不同域的数据,从而实现跨域活体检测,并在多个基准数据集上取得了与现有方法相媲美的性能.
Mar, 2022
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
本文研究人脸反欺诈(FAS)模型在领域差异上的泛化问题,提出可使不同领域的实况到欺诈的过渡轨迹相同而达到域可分性和域不变分类器的 FAS 策略,即 SA-FAS,并在跨领域 FAS 数据集上展示其卓越性能。
Mar, 2023
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
基于超几何空间和多模态特征的通用面部反欺骗方法在不同攻击类型下表现出显著的性能提升,并在少量攻击类型下具有很好的泛化能力。
Aug, 2023
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
本文提出了一种基于风格转移的语义对齐增强框架(SASA),以解决面部反欺诈系统(FAS)中 Few-Shot Domain Expansion 的问题,其中包括少量目标域训练样本以及大量源域训练样本。该框架通过基于真实感的风格转移生成辅助样本,并提出了设计良好的机制来实现两个域的实例级别和分布级别的对齐,并通过少遗忘的约束来稳定源域上的性能。实验结果表明,所提出的 SASA 方法优于现有的方法。