[論文レビュー] Learn Convolutional Neural Network for Face Anti-Spoofing

Jianwei Yang, Zhen Lei+1 more|arXiv (Cornell University)|Aug 24, 2014

Biometric Identification and Security参考文献 11被引用数 383

ひとこと要約

この論文では、顔のスプーフィング防止のための高 discriminative 特徴を自動で学習する深層畳み込みニューラルネットワーク（CNN）を提案する。従来の手作業で設計された特徴（LBP や LBP-TOP など）を上回り、CASIA および REPLAY-ATTACK データセットで半分の総誤差率（HTER）を 70% 以上削減する。最適な設定下で REPLAY-ATTACK データセットでは HTER が 1% 未満に低下し、データセット間で強力な汎化性と頑健性を示す。

ABSTRACT

Though having achieved some progresses, the hand-crafted texture features, e.g., LBP [23], LBP-TOP [11] are still unable to capture the most discriminative cues between genuine and fake faces. In this paper, instead of designing feature by ourselves, we rely on the deep convolutional neural network (CNN) to learn features of high discriminative ability in a supervised manner. Combined with some data pre-processing, the face anti-spoofing performance improves drastically. In the experiments, over 70% relative decrease of Half Total Error Rate (HTER) is achieved on two challenging datasets, CASIA [36] and REPLAY-ATTACK [7] compared with the state-of-the-art. Meanwhile, the experimental results from inter-tests between two datasets indicates CNN can obtain features with better generalization ability. Moreover, the nets trained using combined data from two datasets have less biases between two datasets.

研究の動機と目的

• 顔のスプーフィング防止において、限界のある汎化性と判別力を持つ手作業特徴（例：LBP、LBP-TOP）の課題を解決する。
• 特に CNN を用いた深層学習の可能性を検証し、生の顔画像からより頑健で判別力の高い特徴を自動で学習する。
• 印刷、リプレイ、マスクなどの多様なスプーフィングタイプに対応するため、データ駆動型特徴学習によりスプーフィング防止性能を向上させる。
• 特に異なるデータセット間でのテスト（相互データセットテスト）における CNN の汎化能力を調査する。
• 複数のデータソース（CASIA および REPLAY-ATTACK）のデータを統合して学習することで、データセット固有のバイアスを低減する。

提案手法

• 顔画像から直接階層的で判別力のある特徴を学習する教師あり深層畳み込みニューラルネットワーク（CNN）を採用し、手作業による特徴設計を置き換える。
• ランダムクロッピング、フリップ、フレームサンプリングを含む空間的および時間的データ拡張戦略を適用し、トレーニングの多様性と頑健性を向上させる。
• CASIA および REPLAY-ATTACK データセットを個別および統合して学習することで、汎化性とドメインシフトへの耐性を評価する。
• 入力画像を異なる解像度にスケーリングするスケール拡張を用い、特徴学習とモデル安定性を向上させる。
• イントラデータセット、インターデータセット、統合トレーニングプロトコルの各状況で、半分の総誤差率（HTER）を用いて性能を評価する。
• 背景領域を追加の手がかりとして活用する。なぜなら、真の顔とスプーフィング顔を区別する上で、背景が寄与するからである。

実験結果

リサーチクエスチョン

• RQ1 深層 CNN は、複数のデータセットにまたがって、従来の手作業特徴（例：LBP、LBP-TOP）を上回る性能を示せるか？
• RQ2 照明、背景、スプーフィング手法の違いがある異なるデータセット間で、CNN はどの程度汎化できるか？
• RQ3 特に空間的および時間的変換を用いたデータ拡張は、CNN を用いたスプーフィング防止モデルの頑健性と性能をどの程度向上させるか？
• RQ4 複数のデータセットからのトレーニングデータを統合することで、ドメインバイアスが低減し、データセット間の汎化性が向上するか？
• RQ5 CNN は、スプーフィングタイプに対して不変な特徴を学習できるか？ 一方で、本物と偽物の顔の微細な違いには感度を保てるか？

主な発見

• 提案された CNN を用いた手法は、最先端の手作業特徴と比較して、CASIA および REPLAY-ATTACK データセットの両方で半分の総誤差率（HTER）を 70% 以上削減した。
• REPLAY-ATTACK データセットでは、入力スケールを 4 または 5 に設定した場合、平均 HTER が 1% 未満に低下し、最適設定下でほぼ完璧な性能を示した。
• 相互データセットテストにおいて、CNN モデルは従来の手法よりも顕著に優れた汎化性能を示し、データセット間で性能低下が最小限に抑えられた。
• CASIA および REPLAY-ATTACK データを統合して学習したモデルは、バイアスが低減され、イントラデータセットモデルと同等の性能を示した。これは強力なデータセット間汎化性を裏付けた。
• 特徴学習に最適なスケールはデータセットによって異なる—CASIA ではスケール 3、REPLAY-ATTACK ではスケール 5 が最適であった。これは背景構成（本物 vs. 偽物背景）の違いに起因する。
• 背景領域は、特に CNN が学習した特徴を用いる際、スプーフィング検出に有意に寄与しており、文脈情報が価値ある手がかりであると考えられる。