[論文レビュー] Impact of Face Image Quality Estimation on Presentation Attack Detection

Carlos Aravena, Diego Pasmiño+2 more|arXiv (Cornell University)|Sep 30, 2022

Face recognition and analysis被引用数 4

ひとこと要約

本稿では、顔画像品質評価（FIQA）が顔認識システムにおける提示攻撃検出（PAD）に与える影響を調査する。訓練の前に低品質な本物および攻撃サンプルをフィルタリングすることで、Vision TransformerベースのPADモデル（ViTranZFAS）は、20%削減されたデータセットで訓練した際、クロスデータセットテストでBPCERが4%改善された。これは、品質に配慮したフィルタリングがPADのロバスト性と一般化性能を向上させることを示している。

ABSTRACT

Non-referential face image quality assessment methods have gained popularity as a pre-filtering step on face recognition systems. In most of them, the quality score is usually designed with face matching in mind. However, a small amount of work has been done on measuring their impact and usefulness on Presentation Attack Detection (PAD). In this paper, we study the effect of quality assessment methods on filtering bona fide and attack samples, their impact on PAD systems, and how the performance of such systems is improved when training on a filtered (by quality) dataset. On a Vision Transformer PAD algorithm, a reduction of 20% of the training dataset by removing lower quality samples allowed us to improve the BPCER by 3% in a cross-dataset test.

研究の動機と目的

• 実世界のバイオメトリクスシステムにおける顔画像品質評価（FIQA）が提示攻撃検出（PAD）性能に与える影響を評価すること。
• FIQAによる事前フィルタリングが、品質分布に着目した本物と攻撃サンプルの選択に与える影響を分析すること。
• 訓練データから低品質なサンプルを除去することで、PADの一般化性能が向上し、誤り率が低下するかどうかを調査すること。
• MagFace、SER-FIQ、SDD-FIQといった異なるFIQA手法が、複数のデータセットにわたるPADシステム性能を向上させる効果を比較すること。

提案手法

• 複数の最先端のFIQA手法—MagFace、SER-FIQ、SDD-FIQ—を用いて、品質に基づいて訓練画像をスコア付けおよびフィルタリングした。
• 本物および攻撃画像の両方のうち、品質が最も低い20%を破棄することで、フィルタリングされた訓練データセットを作成し、PADモデル性能への影響を評価した。
• イントラおよびクロスデータセットテストプロトコルを用いて、完全なデータセットおよびフィルタリング済みデータセットの両方で、2つのPADモデル—ViTranZFASおよびSSDG—を訓練および評価した。
• 標準指標として、EER（等誤差率）、BPCER（10%〜20% FARの間）、APCER（攻撃提示分類誤差率）を用いて性能を測定した。
• 品質フィルタリングデータでの一般化性能を評価するために、主にVision Transformerアーキテクチャ（ViTranZFAS）をPADモデルとして用いた。
• 異なるFIQA手法の性能を比較し、PAD精度およびロバスト性への影響を評価するためのアブレーションスタディを実施した。

実験結果

リサーチクエスチョン

• RQ1 FIQA手法による事前フィルタリングは、訓練データにおける本物と攻撃サンプルのバランスにどのように影響するか？
• RQ2 低品質なサンプルを除去することで、異なるデータセット間でPADモデルの一般化性能がどの程度向上するか？
• RQ3 どのFIQA手法が、データフィルタリングに用いた際に、最も一貫したPAD性能の向上をもたらすか？
• RQ4 品質フィルタリングによる性能向上は、イントラデータセットとクロスデータセットの評価シナリオで異なるか？
• RQ5 品質に配慮したフィルタリングは、本物認識精度を損なわせることなく、PADシステムの誤検出数を減らすことができるか？

主な発見

• 品質が最も低い20%のサンプルを除外することで、ViTranZFASモデルを用いたクロスデータセットテストでBPCERが4%低下し、一般化性能の向上が示された。
• MagFace FIQA手法が全体的に最も優れた改善効果を示し、複数のテストシナリオでEERが最大1%低下、BPCERが最大4%低下した。
• ViTranZFASモデルは高品質な攻撃サンプルに対してより優れた識別性能を示した。これは、品質に配慮したフィルタリングがスプーフェースの検出性能でさえも向上させることを示唆している。
• 20%のデータ削減（フィルタリング済みデータ）で訓練した場合、クロスデータセットテストでBPCERが3%改善され、データ品質のフィルタリングがロバスト性を向上させることを示した。
• SSDGモデルに対しても、MagFaceベースのフィルタリングにより、イントラデータセットテストでEERが1.5%改善され、クロスデータセット評価でもBPCERが低下した。
• 一方、MobileNetv3ベースの訓練では、フィルタリングデータを使用しても性能向上がなく、むしろ指標が悪化した。これは、モデルに応じたデータ品質フィルタリングへの感受性の違いを示している。