DRLを応用！人の挙動を模倣した顔なりすまし検知「DRL-FAS」とは？

3つの要点
✔️ 顔なりすまし防止（Face Anti-spoofing）に対して、グローバルとローカルの情報を抽出するCNNとRNNを組み合わせたモデルを提案
✔️ ローカル情報の抽出では、なりすまし（Spoof）の痕跡が残っている可能性の高い領域を探索するプロセスの最適化に強化学習を導入
✔️ 従来のモデルと比較して高い性能を達成

DRL-FAS: A Novel Framework Based on Deep Reinforcement Learning for Face Anti-Spoofing
written by Rizhao Cai, Haoliang Li, Shiqi Wang, Changsheng Chen, Alex Chichung Kot
(Submitted on 16 Sep 2020 (v1), last revised 18 Sep 2020 (this version, v2))
Comments: Accepted at IEEE Transactions on Information Forensics and Security
Subjects: Computer Vision and Pattern Recognition (cs.CV)
Paper Official Code COMM Code

導入

顔認証技術は、スマートフォンのロック解除や空港の入出国ゲートなど様々な領域で実用化されています。顔認証は生体情報の中でもハンズフリーで気軽に利用できるため、ユーザーフレンドリーな技術であり、さらなる普及が期待されています。

しかし、最先端の顔認証技術でも依然として顔のなりすまし（Face Spoofing）に対して、脆弱であることが広く知られています。Apple社のFace IDが提供された際には、そのセキュリティを破ろうと世界中で話題になり、Face IDを無効化する方法がいくつも報告されました。悪意のあるユーザーは、Spoofの顔をカメラに提示することで顔認証システムを簡単にハッキングできます。また、Spoofの方法もフェイスマスク、印刷された顔写真、デジタルディスプレイなどさまざまです。

このような理由から、安全な顔認証システムを提供するために信頼性の高いFace Anti-spoofing技術が強く望まれています。

ここ数年の間、Face Anti-spoofingは活発に研究されています。従来はハンドクラフトでSpoofの特徴量を設計していましたが、十分ではなく、性能は高くありませんでした。しかし、最近はディープラーニングが利用されるようになり、従来よりも高精度でFace Spoofingを検出できることがわかっています。

例えば、Yangらは、Face Anti-spoofing向けのCNNモデルを報告しています。これは、AlexNetベースのモデルを学習し、モデルの最後の層から特徴量を抽出して、バイナリラベル（Live/Spoof）を使用してSVMを学習しています。また、Liuらはバイナリラベルを使用することに加えて、補助的な情報（Auxiliary supervision）としてRGB画像から取得した深度マップとRemote PhotoPlethysmoGraphy（rPPG）を利用して学習を効率化しています。さらに、RNNを使用して連続フレームの時系列情報を利用するモデルも報告されています。

しかし、これらの手法はいずれも学習された特徴表現が特定の手法に過度に適合してしまう可能性が高いことがわかっています。

例えば、深度情報は入力画像が2D（ex.印刷された顔写真、スクリーン表示された顔の映像）であれば、Face Anti-spoofingとして機能しますが、3D情報を少しでも含むフェイスマスク攻撃には対抗できない可能性があります。下図aのようなケースです。

この論文では、Spoofを識別する特徴情報をより効果的に学習し、過剰適合を軽減する手法として、CNNとRNNを組み合わせて新しいモデルを提案しています。また、モデルの最適化にDRLを導入しています。

• 
• 
• 

この記事に関するカテゴリー

• 画像認識
• 深層学習
• 強化学習
• Face Recognition