CelebA-Spoof，一个用于防止面部欺骗的大型数据集。

三个要点
✔️ 提出"CelebA-Spoof"，一个包含43个丰富属性信息的人脸防范大数据集
✔️ 利用多任务框架"AENet"，研究属性信息对人脸防范任务的影响
✔️ 支持综合评估的多功能性, 建议三个基准

CelebA-Spoof: Large-Scale Face Anti-Spoofing Dataset with Rich Annotations
written by Yuanhan Zhang, Zhenfei Yin, Yidong Li, Guojun Yin, Junjie Yan, Jing Shao, Ziwei Liu
(Submitted on 24 Jul 2020 (v1), last revised 1 Aug 2020 (this version, v3))
Comments: Accepted at ECCV2020
Subjects: Computer Vision and Pattern Recognition (cs.CV)
Paper  Official Code  COMM Code 

概况

人脸识别系统在身份验证和支付的各个方面越来越受欢迎。但另一方面，很多人担心这些系统的安全性和可靠性。而"反恶搞"尤其要区分"活人"和"恶搞"的面孔。如果有人伪造你的脸，欺骗你，或者支付你不知道的款项，这是非常危险的。为了防止这种情况的发生，面部身份防盗是一项重要的技术，它可以保护你的隐私和财产不被他人滥用。

虽然过去已经有很多研究成果，尤其是在中国，但面对复杂的人脸欺骗技术，在处理和付诸实践方面还存在很多问题。主要原因是现有的反面部欺骗数据集在数据的多样性和数量上都有所欠缺。具体来说，存在以下问题 

1）数据集缺乏多样性。
现有的数据集缺少主体、会话和传感器类型。大多数数据集的受试者少于2000人，会话少于5次，输入传感器类型少于10种。

2）缺乏对数据集的注释。
现有的数据集只注释了人脸欺骗技术。这对于人脸冒充防范领域的数据集来说是基本的，但还不够。在人脸冒充防范领域，还没有一个数据集具有更丰富的标注信息。 

3）性能饱和
使用现有数据集的识别精度已经饱和。评估具有更高识别精度和泛化能力的算法比以往任何时候都要困难。例如，使用SiW和Oulu-NPU评估Vanilla ResNet-18时，FPR=0.5%时的召回率已经分别达到100.0%和99.0%。然而，这些数据集足够准确并不意味着它们足以满足实际目的。

为了解决这些问题，本文构建了一个新的大型数据集CelebA-Spoof，用于防止人脸冒充的任务。CelebA-Spoof具有以下特点 

1）数据集的多样性
现有的数据集缺乏各种主体、会话和传感器。大多数数据集的受试者少于2000人，会话少于5次，输入传感器类型少于10种。 

2）缺乏丰富的注释。
除了在CelebA中定义的40个面部属性外，它还注释了43个语义信息，并附加了3个属性：面部模仿类型、照明条件和拍摄地点。丰富的注释可以全面验证防止人脸冒充。

3）最大的数据量
它包括来自10177个主题的625,537张图片。这是最大的防止人脸欺骗的数据集。

本文还研究了使用多任务框架AENet的注释信息对防止人脸欺骗的影响，并提供了一个基准。

Takumu