用一个简单的混合网络提高人脸欺骗检测的泛化性能，MixNet!
3个要点
✔️ 提出了一个MixNet，它结合了专门用于检测特定欺骗方法的子网络。
✔️ 与建立在单一网络上的模型相比，实现更高的泛化性能，因为多个网络相互补充。
✔️ 一个简单的、可扩展的框架，用于组合多个网络。
MixNet for Generalized Face Presentation Attack Detection
written by Nilay Sanghvi, Sushant Kumar Singh, Akshay Agarwal, Mayank Vatsa, Richa Singh
(Submitted on 25 Oct 2020)
Comments: Accepted at ICPR2020
Subjects: Computer Vision and Pattern Recognition (cs.CV); Cryptography and Security (cs.CR)
介绍
尽管面部识别的应用越来越多，但仍然存在安全问题。其中一个关注点就是恶搞。
恶搞主要有三种类型。第一个是打印攻击。这是一种打印别人的脸部图像并用于面部识别的方法。第二种是回放攻击。这是一种在智能手机等设备上显示他人的图像或视频，并用于人脸识别的方法。三是面具攻击。这是一种创建他人3D面具并用于人脸识别的方法。
在使用人脸识别进行机场出/入或办公室出/入时，周围有监控摄像头和眼睛，所以这些Spoofing发生的可能性很低，你可能无法想象，但然而，在eKYC这样的应用中，用智能手机就可以随时随地验证一个人的身份，由于周围没有眼睛，所以被欺骗的可能性很大。为了享受生物识别认证的便利，安全放心地使用生物识别认证，必须发现这种欺骗行为。
过去曾研究过恶作剧，并有高性能的报道。然而，稳健性一直是个问题。换句话说，我们面临的挑战是如何建立一个能够应对各种欺骗方式的模型。
然而，迄今为止，大多数算法都将其作为一个二进制分类任务来处理，虽然它们能够判断一个人是否被欺骗，但它们无法学习欺骗的基本模式。此外：不同类型的欺骗有不同的特征，所以单个网络很难学习到所有这些特征，也很难高精度地检测到这些特征。
比如，我觉得印攻和面膜攻的特点很明显：印攻是纸做的，所以表面很硬，没有凹凸不平的感觉，相比真面目有光泽。而面膜攻势则更像一张真实的脸，凹凸不平，表面比纸更光滑，更像皮肤。因此，本文采用一种简单的方法，结合专门用于特定欺骗检测的二元分类子网络，建立了一个更为稳健的反欺骗模型。特别是，我们研究了典型的欺骗方法，如打印攻击、重放攻击和掩码攻击。
在本文中，我们对所有的子网都应用了相同的网络，但可以分别应用最先进的Print、Replay和Mask网络，这是一个高度可扩展的模型。我们也相信，这个框架不仅可以扩展到人脸识别领域，还可以扩展到其他生物识别领域，比如虹膜和指纹。
要阅读更多。
你需要在AI-SCHOLAR注册。
或
与本文相关的类别
