Fusion-based Few-Shot Morphing Attack Detection and Fingerprinting

要約

現実の世界で顔のバイオメトリクスが広く採用されているため、モーフィング攻撃に対する顔認識システムの脆弱性は深刻なセキュリティ上の脅威となっています。
既存のモーフィング攻撃検出 (MAD) メソッドのほとんどは、大量のトレーニング データを必要とし、いくつかの事前定義された攻撃モデルでしかテストされていません。
特に新しいモーフィング攻撃の開発への関心が高まっていることを考えると、優れた一般化プロパティの欠如は、既存の MAD 研究の重大な制限です。
この問題に対処するために、この論文では、MAD を教師あり学習から少数ショット学習に、バイナリ検出からマルチクラス フィンガープリンティングに拡張することを提案します。
私たちの技術的貢献には以下が含まれます。
2) PRNU モデルと Noiseprint ネットワークの融合に基づく提案された FSL は、バイナリ MAD からマルチクラス モーフィング アタック フィンガープリンティング (MAF) に拡張されます。
3) 5 つの顔データセットと 8 つの異なるモーフィング アルゴリズムを含む大規模なデータベースを収集し、提案された少数ショット MAF (FS-MAF) メソッドのベンチマークを行いました。
広範な実験結果は、当社の融合ベースの FS-MAF の優れた性能を示しています。
コードとデータは、https://github.com/nz0001na/mad maf で公開されます。

要約(オリジナル)

The vulnerability of face recognition systems to morphing attacks has posed a serious security threat due to the wide adoption of face biometrics in the real world. Most existing morphing attack detection (MAD) methods require a large amount of training data and have only been tested on a few predefined attack models. The lack of good generalization properties, especially in view of the growing interest in developing novel morphing attacks, is a critical limitation with existing MAD research. To address this issue, we propose to extend MAD from supervised learning to few-shot learning and from binary detection to multiclass fingerprinting in this paper. Our technical contributions include: 1) We propose a fusion-based few-shot learning (FSL) method to learn discriminative features that can generalize to unseen morphing attack types from predefined presentation attacks; 2) The proposed FSL based on the fusion of the PRNU model and Noiseprint network is extended from binary MAD to multiclass morphing attack fingerprinting (MAF). 3) We have collected a large-scale database, which contains five face datasets and eight different morphing algorithms, to benchmark the proposed few-shot MAF (FS-MAF) method. Extensive experimental results show the outstanding performance of our fusion-based FS-MAF. The code and data will be publicly available at https://github.com/nz0001na/mad maf.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google