MorphGuard: Morph Specific Margin Loss for Enhancing Robustness to Face Morphing Attacks

要約

顔認識は、深い学習技術の進歩とともに大幅に進化し、安全な認証を必要とするさまざまなアプリケーションでの広範な採用を可能にします。
しかし、この進捗は、顔のモーフィングを含むプレゼンテーション攻撃への曝露を増加させました。
したがって、最新の顔認識システムは、そのような攻撃に対して堅牢でなければなりません。
この作業では、顔認識のために深いネットワークをトレーニングするための新しいアプローチを提案し、モーフィング攻撃に直面する堅牢性が向上します。
私たちの方法は、フェイスモーフのラベル付けのあいまいさを効果的に処理するデュアルブランチ分類戦略を導入することにより、分類タスクを変更します。
この適応により、モデルはモーフ画像をトレーニングプロセスに組み込むことができ、それらを真正なサンプルと区別する能力を向上させることができます。
私たちの戦略は公共のベンチマークで検証されており、顔のモーフィング攻撃に対する堅牢性を高める上でその有効性を示しています。
さらに、私たちのアプローチは普遍的に適用可能であり、分類ベースの認識方法を改善するために、既存のフェイス認識トレーニングパイプラインに統合できます。

要約(オリジナル)

Face recognition has evolved significantly with the advancement of deep learning techniques, enabling its widespread adoption in various applications requiring secure authentication. However, this progress has also increased its exposure to presentation attacks, including face morphing, which poses a serious security threat by allowing one identity to impersonate another. Therefore, modern face recognition systems must be robust against such attacks. In this work, we propose a novel approach for training deep networks for face recognition with enhanced robustness to face morphing attacks. Our method modifies the classification task by introducing a dual-branch classification strategy that effectively handles the ambiguity in the labeling of face morphs. This adaptation allows the model to incorporate morph images into the training process, improving its ability to distinguish them from bona fide samples. Our strategy has been validated on public benchmarks, demonstrating its effectiveness in enhancing robustness against face morphing attacks. Furthermore, our approach is universally applicable and can be integrated into existing face recognition training pipelines to improve classification-based recognition methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google