Hyp-OC: Hyperbolic One Class Classification for Face Anti-Spoofing

要約

顔認識テクノロジーは、最新のセキュリティ システムとユーザー認証プロセスに不可欠な部分になっています。
ただし、これらのシステムはスプーフィング攻撃に対して脆弱であり、簡単に回避されてしまいます。
顔のアンチスプーフィング (FAS) に関する先行研究のほとんどは、実際のサンプルと既知のスプーフィング攻撃でモデルをトレーニングし、未知のスプーフィング攻撃の検出パフォーマンスをテストする 2 クラスの分類タスクとしてアプローチしています。
ただし、実際には、FAS は 1 クラスの分類タスクとして扱う必要があり、トレーニング中にスプーフィング サンプルに関する知識を事前に想定することはできません。
この論文では、1 クラスの観点から顔のなりすまし防止タスクを再定式化し、新しい双曲 1 クラス分類フレームワークを提案します。
ネットワークをトレーニングするために、加重移動平均を使用してガウス分布からサンプリングされた擬似負のクラスを使用し、2 つの新しい損失関数を提案します: (1) Hyp-PC: 双曲線ペアワイズ混乱損失、および (2) Hyp-CE: 双曲線
双曲空間で作用するクロスエントロピー損失。
さらに、ユークリッド特徴クリッピングと勾配クリッピングを使用して、双曲空間でのトレーニングを安定させます。
私たちの知る限り、これは顔のアンチスプーフィングのために双曲線埋め込みを 1 クラスの方法で拡張した最初の作品です。
Rose-Youtu、MSU-MFSD、CASIA-MFSD、Idiap Replay- Attack、OULU-NPU の 5 つのベンチマーク データセットに対する広範な実験により、私たちの手法が最先端の手法を大幅に上回り、より優れたスプーフィング検出を達成できることを実証しました。
パフォーマンス。

要約(オリジナル)

Face recognition technology has become an integral part of modern security systems and user authentication processes. However, these systems are vulnerable to spoofing attacks and can easily be circumvented. Most prior research in face anti-spoofing (FAS) approaches it as a two-class classification task where models are trained on real samples and known spoof attacks and tested for detection performance on unknown spoof attacks. However, in practice, FAS should be treated as a one-class classification task where, while training, one cannot assume any knowledge regarding the spoof samples a priori. In this paper, we reformulate the face anti-spoofing task from a one-class perspective and propose a novel hyperbolic one-class classification framework. To train our network, we use a pseudo-negative class sampled from the Gaussian distribution with a weighted running mean and propose two novel loss functions: (1) Hyp-PC: Hyperbolic Pairwise Confusion loss, and (2) Hyp-CE: Hyperbolic Cross Entropy loss, which operate in the hyperbolic space. Additionally, we employ Euclidean feature clipping and gradient clipping to stabilize the training in the hyperbolic space. To the best of our knowledge, this is the first work extending hyperbolic embeddings for face anti-spoofing in a one-class manner. With extensive experiments on five benchmark datasets: Rose-Youtu, MSU-MFSD, CASIA-MFSD, Idiap Replay-Attack, and OULU-NPU, we demonstrate that our method significantly outperforms the state-of-the-art, achieving better spoof detection performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google