[論文レビュー] Can Your Face Detector Do Anti-spoofing? Face Presentation Attack Detection with a Multi-Channel Face Detector

Anjith George, Sébastien Marcel|arXiv (Cornell University)|Jun 30, 2020

Biometric Identification and Security参考文献 28被引用数 4

ひとこと要約

本論文では、1台のコンsumerクラスカメラから得られるRGB、深度、赤外線データを用いて、同時に顔の局所化とプレゼンテーションアタック（すり替え）を検出するマルチチャネル顔検出器を提案する。1段階のオブジェクト検出器（RetinaNet）を、本物の顔と攻撃を分類するように再訓練することで、別個のPADモジュールを不要にし、WMCAデータセットにおいて最先端の性能を達成した。特に低誤差領域でのBPCERが低く抑えられていた。

ABSTRACT

In a typical face recognition pipeline, the task of the face detector is to localize the face region. However, the face detector localizes regions that look like a face, irrespective of the liveliness of the face, which makes the entire system susceptible to presentation attacks. In this work, we try to reformulate the task of the face detector to detect real faces, thus eliminating the threat of presentation attacks. While this task could be challenging with visible spectrum images alone, we leverage the multi-channel information available from off the shelf devices (such as color, depth, and infrared channels) to design a multi-channel face detector. The proposed system can be used as a live-face detector obviating the need for a separate presentation attack detection module, making the system reliable in practice without any additional computational overhead. The main idea is to leverage a single-stage object detection framework, with a joint representation obtained from different channels for the PAD task. We have evaluated our approach in the multi-channel WMCA dataset containing a wide variety of attacks to show the effectiveness of the proposed framework.

研究の動機と目的

• 顔認識システムが写真や動画などのプレゼンテーションアタックに対して脆弱であるのを是正するため、不正攻撃防止機能を顔検出段階に統合すること。
• RGB、深度、赤外線のマルチチャネルデータを統合した一貫した顔検出フレームワークを用いることで、別個のプレゼンテーションアタック検出（PAD）モジュールの必要性を排除すること。
• 標準の顔検出器を、ネイティブにPADを実行するマルチチャネル検出器に置き換えることで、顔認識パイプラインにおける計算リソースの重複を削減すること。
• 背景の文脈情報を活用し、Focal Lossによるハードネガティブサンプルのマイニングによって、2次元、3次元、部分的攻撃を含む多様な攻撃に対してより高い耐性を発揮すること。

提案手法

• コンsumerカメラ（Intel RealSense SR300）から得られる複合マルチチャネル入力（カラー、深度、赤外線）を用いて、1段階のRetinaNetベースのオブジェクト検出器を訓練する。
• 顔検出タスクを「本物の顔」または「プレゼンテーションアタック（顔でないもの）」に分類するものに再定式化することで、局所化と不正攻撃防止を統合的に実現する。
• Focal Lossを用いて、攻撃画像のようなハードネガティブサンプルに注目させ、攻撃データが限られている状況下でも一般化性能を向上させる。
• 柔軟な訓練モードをサポート：1クラス（本物のみ）、2クラス（本物 vs. 攻撃）、または複数クラス（攻撃タイプをラベル付け）で、データの可用性に応じて適応可能。
• 顔領域を超えた画像全体の背景をネガティブサンプルとして活用することで、顔領域以外の文脈的情報を活かし、耐性を高める。
• RGB-D環境にOpenCV AI Kit（OAK-D）やKinectを用いて、RGBと深度チャネルを入力段階でスタックすることで、適応可能。

実験結果

リサーチクエスチョン

• RQ1 マルチチャネル顔検出器を、顔の局所化性能を維持したまま、プレゼンテーションアタック検出に再訓練可能か？
• RQ2 別個のPADモジュールと比較して、顔検出段階にPADを統合することで、パイプラインの冗長性と計算コストを低減できるか？
• RQ3 低コストセンサを用いた実世界の条件下で、2次元、3次元、部分的攻撃など多様な攻撃タイプに対して、提案手法はどの程度の性能を示すか？
• RQ4 攻撃データが豊富でない状況下でも、背景パッチをネガティブサンプルとして使用することで、検出の耐性が向上するか？
• RQ5 限られた攻撃サンプルしかない状況下でも、Focal Lossによる訓練が、リアルなスプーフ攻撃のようなハード例の性能向上に寄与するか？

主な発見

• 提案手法は、WMCAデータセットにおいて、最先端のCNNベースおよび特徴ベースのPAD手法を上回り、特にBPCERが低い範囲（α ≤ 0.5）で顕著な優位性を示した。
• EPC曲線から、臨界的な低誤差領域で優れた性能を示しており、実用的導入に向けた高い耐性と信頼性を示している。
• 標準の顔検出器を置き換えることで、追加の計算コストを一切負わず、高い検出精度を達成した。
• 本物のサンプルのみで訓練し、背景をネガティブサンプルとして利用することで、強力な性能を発揮した。これは、データが限られた状況下でも実現可能であることを示している。
• RGB、深度、赤外線のマルチチャネルデータの使用は、単一スペクトル手法と比較して、本物の顔とスプーフ攻撃の識別能力を顕著に向上させた。
• Intel RealSense SR300 や OAK-D といった安価なコンsumerハードウェアでもデプロイ可能であり、実世界への応用可能性を有している。