Single Morphing Attack Detection using Siamese Network and Few-shot Learning

要約

顔のモーフィング攻撃の検出は困難であり、顔の検証システムに具体的で深刻な脅威をもたらします。
堅牢なクロスデータベースプロトコルと未知のモーフィングツールでテストされた、このような攻撃の信頼性の高い検出メカニズムは、依然として研究上の課題です。
この論文は、モーフィング攻撃の検出に取り組み、クラスタリング分類プロセスを後押しするために、トリプレット-セミハードロスを使用してシャムネットワークに基づく画像情報を共有する、Few-Shot-Learningアプローチに従ったフレームワークを提案します。
このネットワークは、正真正銘の画像またはモーフィングの可能性のある画像を、モーフィングおよび正真正銘の顔画像のトリプレットと比較します。
私たちの結果は、この新しいネットワークがデータポイントをクラスター化し、未知のデータベースからの小さな画像番号のみを共有するクロスデータベースシナリオでより低い等しいエラー率を取得するためにそれらをクラスに割り当てることを示しています。
数ショットの学習は、学習プロセスを後押しするのに役立ちます。
FRGCv2でトレーニングされ、FERETとAMSLオープンアクセスデータベースでテストされたクロスデータセットを使用した実験結果により、ResNet50を使用した場合はBPCE10が43％から4.91％に、MobileNetV2を使用した場合は5.50％に減少しました。

要約(オリジナル)

Face morphing attack detection is challenging and presents a concrete and severe threat for face verification systems. Reliable detection mechanisms for such attacks, which have been tested with a robust cross-database protocol and unknown morphing tools still is a research challenge. This paper proposes a framework following the Few-Shot-Learning approach that shares image information based on the siamese network using triplet-semi-hard-loss to tackle the morphing attack detection and boost the clustering classification process. This network compares a bona fide or potentially morphed image with triplets of morphing and bona fide face images. Our results show that this new network cluster the data points, and assigns them to classes in order to obtain a lower equal error rate in a cross-database scenario sharing only small image numbers from an unknown database. Few-shot learning helps to boost the learning process. Experimental results using a cross-datasets trained with FRGCv2 and tested with FERET and the AMSL open-access databases reduced the BPCER10 from 43% to 4.91% using ResNet50 and 5.50% for MobileNetV2.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google