[論文レビュー] Client-Specific Anomaly Detection for Face Presentation Attack Detection

Shervin Rahimzadeh Arashloo, Josef Kittler|arXiv (Cornell University)|Jul 2, 2018

Anomaly Detection Techniques and Applications参考文献 29被引用数 5

ひとこと要約

本論文は、事前学習された深層畳み込みニューラルネットワーク（CNN）から得られる身元認識可能な表現と、被験者固有の意思決定閾値を活用して、顔のプレゼンテーション・アタック検出（PAD）のためのクライアント固有のワンクラス異常検出フレームワークを提案する。本手法は、攻撃データを一切使用せずに、実アクセスデータのみを用いてクライアント固有の生成的・識別的一般化ワンクラス分類器を学習することで、最先端の性能を達成する—Replay-Attack開発セットにおいてEERを0.17%まで低減した。

ABSTRACT

The one-class anomaly detection approach has previously been found to be effective in face presentation attack detection, especially in an extit{unseen} attack scenario, where the system is exposed to novel types of attacks. This work follows the same anomaly-based formulation of the problem and analyses the merits of deploying extit{client-specific} information for face spoofing detection. We propose training one-class client-specific classifiers (both generative and discriminative) using representations obtained from pre-trained deep convolutional neural networks. Next, based on subject-specific score distributions, a distinct threshold is set for each client, which is then used for decision making regarding a test query. Through extensive experiments using different one-class systems, it is shown that the use of client-specific information in a one-class anomaly detection formulation (both in model construction as well as decision threshold tuning) improves the performance significantly. In addition, it is demonstrated that the same set of deep convolutional features used for the recognition purposes is effective for face presentation attack detection in the class-specific one-class anomaly detection paradigm.

研究の動機と目的

• 未観測の攻撃シナリオにおける二クラスPADシステムの一般化限界を解決すること。
• クライアント固有の情報が、顔スプーフィング検出のワンクラス異常検出性能を向上させるかを調査すること。
• 被験者固有のスコア分布に基づくクライアント固有の閾値チューニング機構を構築し、意思決定の正確性を向上させること。
• 顔認識に用いられる同じ深層CNN特徴が、クライアント固有のワンクラスPADに有効であることを示すこと。
• 特に、トレーニング時に攻撃データを一切使用しない状況下で、提案手法のロバスト性と一般化性能を評価すること。

提案手法

• 各クライアントごとに、スプーフィングデータを一切使用せずに、実アクセスサンプルのみを用いてクライアント固有のワンクラス分類器（OCSRC、MD、ワンクラスSVM）を学習する。
• 顔認識およびPADタスクの両方において、事前学習済みのVGGFaceおよびVGGFace2ネットワークから畳み込み特徴を抽出する。
• トレーニングデータからの被験者固有のスコア分布を用いて、各クライアントの個別化された意思決定閾値を決定する。
• クライアント固有の閾値を適用して、異常スコアに基づきテストサンプルを「本物」または「異常（スプーフィング）」に分類する。
• 複数のトレーニングサンプルサイズを想定し、フレーム単位およびビデオ単位でAUCおよびEER指標を用いて性能を評価する。
• 未観測の攻撃評価プロトコル下で、クライアント固有のワンクラスシステムと二クラスベースラインを比較する。

実験結果

リサーチクエスチョン

• RQ1 クライアント固有の情報は、顔のプレゼンテーション・アタック検出におけるワンクラス異常検出性能を向上させることができるか？
• RQ2 実アクセスデータのみを用いてクライアントごとにワンクラス分類器を学習することで、未観測の攻撃タイプに対する一般化性能が向上するか？
• RQ3 クライアントのスコア分布から導出された被験者固有の意思決定閾値は、検出精度を顕著に向上させるか？
• RQ4 顔認識に用いられる同じ深層CNN特徴（例：VGGFace）は、クライアント固有のワンクラスPADに有効であるか？
• RQ5 未観測の攻撃評価シナリオ下で、クライアント固有のワンクラスシステムの性能は二クラス手法と比べてどうなるか？

主な発見

• クライアント固有のワンクラスアプローチは、Replay-Attack開発セットでEER 0.17%を達成し、先行研究で報告された最良の二クラス手法（EER 2.83%）を著しく上回った。
• モデル構築および閾値チューニングの両方でクライアント固有の情報を活用することで、テストされたすべてのワンクラス分類器において顕著な性能向上が得られた。
• ワンクラスSRCベースのシステムでは、トレーニングサンプルサイズが20%を超えると性能が低下する傾向を示し、最適なバランスが存在することが示された。
• ワンクラスSVMおよびMD分類器は、トレーニングサンプルサイズの増加に伴い単調またはほぼ単調に性能が向上する傾向を示しており、データ量に対してロバストであることが示された。
• 顔認識に用いられる同じ深層CNN特徴（例：VGGFace）が、クライアント固有のワンクラスPADに有効であることが確認され、特徴の再利用が可能であることが示された。
• トレーニング時にスプーフィングデータに一切露出しない状況下でも、本手法は未観測の攻撃タイプに良好に一般化することができ、強い性能を示した。