SynthASpoof: Developing Face Presentation Attack Detection Based on Privacy-friendly Synthetic Data

要約

タイトル:SynthASpoof: プライバシーに配慮した合成データに基づく顔認証への攻撃検出開発

要約:

– 顔認証システムを攻撃から守る顔認証への攻撃検出(PAD)において、複数の顔PADデータセットが提供されることにより、顕著な進展が見られている
– しかし、すべての利用可能なデータセットはプライバシーや法的に敏感な本物のバイオメトリックデータに基づいており、限られた数の被験者しか含まれていない
– この課題に対応するため、本研究では、大規模なPAD開発データセットとして、初めて合成に基づく顔PADデータセット「SynthASpoof」を提供する
– SynthASpoofの本物のサンプルは合成生成され、攻撃サンプルは、実際の攻撃シナリオでキャプチャシステムに合成データを提示して収集することで収集される
– 実験結果は、SynthASpoofを顔PADの開発に使用することができることを示している
– MixStyleというドメイン一般化ツールをPADソリューションに組み込むことで、そのソリューションの性能を向上させた
– さらに、合成データを使用して限られた本物のトレーニングデータの多様性を豊富にすることで、PADのパフォーマンスを一貫して向上させることができることを示した
– SynthASpoofデータセットには、25,000の本物のサンプルと78,800の攻撃サンプルが含まれており、実装と事前学習済みの重みが公開されている。

要約(オリジナル)

Recently, significant progress has been made in face presentation attack detection (PAD), which aims to secure face recognition systems against presentation attacks, owing to the availability of several face PAD datasets. However, all available datasets are based on privacy and legally-sensitive authentic biometric data with a limited number of subjects. To target these legal and technical challenges, this work presents the first synthetic-based face PAD dataset, named SynthASpoof, as a large-scale PAD development dataset. The bona fide samples in SynthASpoof are synthetically generated and the attack samples are collected by presenting such synthetic data to capture systems in a real attack scenario. The experimental results demonstrate the feasibility of using SynthASpoof for the development of face PAD. Moreover, we boost the performance of such a solution by incorporating the domain generalization tool MixStyle into the PAD solutions. Additionally, we showed the viability of using synthetic data as a supplement to enrich the diversity of limited authentic training data and consistently enhance PAD performances. The SynthASpoof dataset, containing 25,000 bona fide and 78,800 attack samples, the implementation, and the pre-trained weights are made publicly available.

arxiv情報

著者 Meiling Fang,Marco Huber,Naser Damer
発行日 2023-04-11 09:38:16+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, OpenAI

カテゴリー: cs.CV パーマリンク