PAD-Phys: Exploiting Physiology for Presentation Attack Detection in Face Biometrics

要約

提示攻撃検知（PAD）は、個人情報の漏えいやエンティティへのなりすましを回避するために、顔認識システムにおいて重要な段階である。近年、遠隔光電脈波（rPPG）に基づく脈波検出が顔提示攻撃検出に有効であることが示されている。 本研究では、rPPGに基づくプレゼンテーション攻撃検出に対する3つの異なるアプローチを提示する。(i) 生理的ドメインは、rPPGに基づくモデルを用いたドメインであり、(ii) Deepfakesドメインは、生理的ドメインから特定のDeepfakes検出タスクにモデルを再学習させたドメインであり、(iii) 新しいプレゼンテーション攻撃ドメインは、善意と攻撃を区別する能力を向上させるために、前の2つのドメインからの転移学習を適用して学習させたドメインである。 その結果、プレゼンテーション攻撃ドメインを生理学的ドメインとDeepfakesドメインと比較した場合、平均分類誤り率（ACER）が21.70%減少（41.03%から19.32%）し、プレゼンテーション攻撃検出のためのrPPGベースのモデルの効率性が示された。我々の実験は、rPPGベースのモデルにおける転移学習の効率性を浮き彫りにし、この生理学的特徴のコピーを許可しない機器におけるプレゼンテーション攻撃検出において良好な性能を発揮する。

要約(オリジナル)

Presentation Attack Detection (PAD) is a crucial stage in facial recognition systems to avoid leakage of personal information or spoofing of identity to entities. Recently, pulse detection based on remote photoplethysmography (rPPG) has been shown to be effective in face presentation attack detection. This work presents three different approaches to the presentation attack detection based on rPPG: (i) The physiological domain, a domain using rPPG-based models, (ii) the Deepfakes domain, a domain where models were retrained from the physiological domain to specific Deepfakes detection tasks; and (iii) a new Presentation Attack domain was trained by applying transfer learning from the two previous domains to improve the capability to differentiate between bona-fides and attacks. The results show the efficiency of the rPPG-based models for presentation attack detection, evidencing a 21.70% decrease in average classification error rate (ACER) (from 41.03% to 19.32%) when the presentation attack domain is compared to the physiological and Deepfakes domains. Our experiments highlight the efficiency of transfer learning in rPPG-based models and perform well in presentation attack detection in instruments that do not allow copying of this physiological feature.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL