[論文レビュー] Deep Anomaly Detection for Generalized Face Anti-Spoofing

Daniel Pérez‐Cabo, David Jiménez‐Cabello+2 more|arXiv (Cornell University)|Apr 17, 2019

Biometric Identification and Security被引用数 2

ひとこと要約

本論文は、提示攻撃検出を異常検出問題に再定式化することで、一般化された顔のフェイクスプーフォースピア（Face Anti-Spoofing）のための深層メトリック学習フレームワークを提案する。特徴表現の判別性を高めるために、三つ組みフォーカル損失で正則化された新規な「メトリック-ソフトマックス」損失を導入し、GRAD-GPADベンチマークで最先端の性能を達成した。CASIA-FASDでは16.8%のACERを、Replay-Attackでは45.62%のACERを記録した。また、少数ショットの事後確率推定により分類器を不要とした推論を可能にした。

ABSTRACT

Face recognition has achieved unprecedented results, surpassing human capabilities in certain scenarios. However, these automatic solutions are not ready for production because they can be easily fooled by simple identity impersonation attacks. And although much effort has been devoted to develop face anti-spoofing models, their generalization capacity still remains a challenge in real scenarios. In this paper, we introduce a novel approach that reformulates the Generalized Presentation Attack Detection (GPAD) problem from an anomaly detection perspective. Technically, a deep metric learning model is proposed, where a triplet focal loss is used as a regularization for a novel loss coined "metric-softmax", which is in charge of guiding the learning process towards more discriminative feature representations in an embedding space. Finally, we demonstrate the benefits of our deep anomaly detection architecture, by introducing a few-shot a posteriori probability estimation that does not need any classifier to be trained on the learned features. We conduct extensive experiments using the GRAD-GPAD framework that provides the largest aggregated dataset for face GPAD. Results confirm that our approach is able to outperform all the state-of-the-art methods by a considerable margin.

研究の動機と目的

• 訓練データに過学習し、未確認の攻撃が存在する実世界のシナリオで失敗する顔のフェイクスプーフォースピアモデルの一般化ギャップを是正すること。
• 一般化提示攻撃検出（GPAD）を異常検出問題として再定式化し、分布外のフェイクスプーフォースピアサンプルに対する耐性を高めること。
• 真の顔とフェイクスプーフォースピアの両者を共通の埋め込み空間内で判別可能な特徴表現を学習する深層メトリック学習アーキテクチャを開発すること。
• 分類器を別途学習せず、少数ショットの事後確率推定法を導入することで意思決定を可能とすること。

提案手法

• 三つ組みベースの学習設定において、アーキテクチャの重みを共有するシアンプソンCNNを用いて、アーキテクチャ、ポジティブ、ネガティブサンプルの特徴を抽出する。
• 各三つ組みペアの確率分布をモデル化する新規な「メトリック-ソフトマックス」損失を導入し、本物とフェイクスプーフォースピアの特徴の分離性を向上させる。
• メトリック-ソフトマックス損失の正則化として三つ組みフォーカル損失を適用し、ハードネガティブサンプルに注目することでマージン学習を改善する。
• エンドツーエンドで学習を行い、本物のサンプルが密にクラスタリングされ、フェイクスプーフォースピアのサンプルが周縁部に押し出されるような、コンactで判別性の高い埋め込み空間を学習する。
• 各クラスに対してM=3のサポートサンプルのみを用いて、少数ショットの事後確率推定を実装し、推論時に別個の分類器を必要としないようにする。
• 埋め込み空間内の固有の距離分布を活用し、フェイクスプーフォースピアを異常として検出する。これは、分布外の点として扱う。

実験結果

リサーチクエスチョン

• RQ1 新規な損失定式化を用いた深層メトリック学習は、ドメインシフトが生じるテストセットを越えて、一般化性能を向上させることができるか？
• RQ2 提案された「メトリック-ソフトマックス」損失と三つ組みフォーカル損失の組み合わせは、フェイクスプーフォースピア検出のための判別性の高い特徴表現を学習するのにどの程度有効か？
• RQ3 少数ショットの事後確率推定は、従来の分類器に代わってフェイクスプーフォースピア検出に使用可能であり、高い精度を維持できるか？
• RQ4 CASIA-FASD や Replay-Attack といった未確認のデータセットでテストした場合、モデルはどの程度の性能を示すか？
• RQ5 従来の分類ベースのフェイクスプーフォースピアモデルと比較して、異常検出の視点はどの程度耐性を向上させるか？

主な発見

• 提案手法は、クロスデータセットテストプロトコル下でCASIA-FASDデータセットにおいて16.8%のACERを達成し、先行研究のSOTAを顕著に上回った。
• Replay-Attackデータセットでは、ドメインシフトや未確認の攻撃タイプによる著しい性能低下にもかかわらず、45.62%のACERを達成し、比較対象のすべての手法の中で最高性能を記録した。
• 少数ショットの事後確率推定（Ours†）は、SVMベースのバージョン（Ours）と同等の性能を達成しており、分類器不要の推論パイプラインの有効性を裏付けた。
• Replay-AttackではHTERが25.00%を維持し、すべてのベースラインを上回った。HTERとBPCERの両面で優れた一般化性能と耐性を示した。
• メトリック-ソフトマックス損失と三つ組みフォーカル損失の組み合わせにより、複数のデータセット間評価において一貫した性能向上が確認され、より判別性の高い特徴表現が得られた。
• 未確認の攻撃タイプやドメインに対しても良好な一般化性能を示し、フェイクスプーフォースピアを異常検出として扱うアプローチが、実世界への適用可能性を高めることを示した。