CVPRJun, 2024

在人脸反欺诈中提升跨领域泛化性能：洞见、设计与度量

PDF
TL;DR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。
发现论文，激发创造
  • 跨域人脸反欺诈的深度转移

    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

  • 基于半监督学习的人脸反欺诈通用方法

    本文提出了一种利用无监督预训练改进性能的方法，介绍了 Entry Antispoofing 数据集来进行监督微调，并提出了一种多类别辅助分类层，以增强检测欺骗企图的二进制分类任务，实现了在多个数据集上的最新结果。

    Jun, 2022

  • 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

  • 基于图像和视频的人脸反欺诈领域无关特征学习

    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

  • 基于单侧域泛化的人脸防欺诈

    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

  • 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

  • 重新思考面部防欺诈领域通用性问题：可分性和对齐

    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

  • 细粒度元人脸防欺骗的正则化

    本文提出了一种基于元学习的面部防欺诈域泛化方法，该方法以细粒度学习策略和领域知识正则化作为核心，以优化元学习过程并提高面部防欺诈模型的泛化能力，实验结果表明其有效性。

    Nov, 2019

  • 深度集成学习中的帧跳过用于人脸防伪

    将人脸防伪任务重新构建为动作预测问题，并引入了一个含有跳帧机制的深度集成学习模型。通过对原始视频进行切割，并选取每个视频片段的第 n 帧来培训三个循环神经网络，从而改进了整体的识别表现。在四个数据集上进行了大量实验证明，在最具挑战性的跨数据集测试场景中，MSU-MFSD（3.12%），Replay-Attack（11.19%）和 OULU-NPU（12.23%）的半总误差率（HTER）上报告了顶尖性能。

    Jul, 2023

  • 学习零样本和少样本人脸防欺诈的元模型

    通过元学习，提出了一种新的方法 —— 自适应内部更新元人脸反欺诈方法（AIM-FAS），来解决面部防欺诈中的零样本和小样本学习问题，并在零样本反欺诈测试中表现出了优异的性能。

    Apr, 2019