Cyclically Disentangled Feature Translation for Face Anti-spoofing

要約

顔のなりすまし防止のための現在のドメイン適応方法は、ラベル付けされたソース ドメイン データとラベル付けされていないターゲット ドメイン データを活用して、有望な一般化可能な決定境界を取得します。
ただし、通常、これらの方法で完全なドメイン不変のライブネス機能のもつれを解くことは困難であり、照明、顔のカテゴリ、なりすましの種類などのドメインの違いによって最終的な分類パフォーマンスが低下する可能性があります。この作業では、クロスシナリオに取り組みます
Cyclically Disentangled Feature Translation Network (CDFTN) と呼ばれる新しいドメイン適応方法を提案することで、アンチスプーフィングに直面します。
具体的には、CDFTN は、1) ソース ドメイン不変の活性機能と 2) ターゲット ドメイン固有のコンテンツ機能を備えた疑似ラベル付きサンプルを生成します。
堅牢な分類器は、ソース ドメイン ラベルの監督下で合成疑似ラベル付き画像に基づいてトレーニングされます。
より多くのラベルのないターゲットドメインからのデータを活用することにより、マルチターゲットドメイン適応のためにCDFTNをさらに拡張します。
いくつかの公開データセットでの広範な実験により、提案されたアプローチが最先端技術よりも大幅に優れていることが示されています。

要約(オリジナル)

Current domain adaptation methods for face anti-spoofing leverage labeled source domain data and unlabeled target domain data to obtain a promising generalizable decision boundary. However, it is usually difficult for these methods to achieve a perfect domain-invariant liveness feature disentanglement, which may degrade the final classification performance by domain differences in illumination, face category, spoof type, etc. In this work, we tackle cross-scenario face anti-spoofing by proposing a novel domain adaptation method called cyclically disentangled feature translation network (CDFTN). Specifically, CDFTN generates pseudo-labeled samples that possess: 1) source domain-invariant liveness features and 2) target domain-specific content features, which are disentangled through domain adversarial training. A robust classifier is trained based on the synthetic pseudo-labeled images under the supervision of source domain labels. We further extend CDFTN for multi-target domain adaptation by leveraging data from more unlabeled target domains. Extensive experiments on several public datasets demonstrate that our proposed approach significantly outperforms the state of the art.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google