[논문 리뷰] Client-Specific Anomaly Detection for Face Presentation Attack Detection

Shervin Rahimzadeh Arashloo, Josef Kittler|arXiv (Cornell University)|2018. 07. 02.

Anomaly Detection Techniques and Applications참고 문헌 29인용 수 5

한 줄 요약

이 논문은 사전에 학습된 깊은 CNN에서 유도된 신원 인식 표현과 개인별 결함 임계값을 활용하여, 얼굴 프레젠테이션 공격 탐지(PAD)를 위한 클라이언트별 일종 이상 탐지 프레임워크를 제안한다. 실제 접근 데이터만을 사용하여 클라이언트별 생성적 및 판별적 일종 분류기들을 학습시킴으로써, 학습 중에 공격 샘플을 사용하지 않고도 최신 기술 수준의 성능을 달성한다—Replay-Attack 개발 세트에서 EER을 0.17%로 감소시킨다.

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.

연구 동기 및 목표

• 미래의 공격 시나리오에서 일반화 능력에 한계를 가진 이종 분류 얼굴 PAD 시스템을 해결한다.
• 클라이언트별 정보가 얼굴 스푸핑 탐지에 대한 일종 이상 탐지 성능을 향상시키는지 조사한다.
• 개별 수체의 점수 분포를 기반으로 한 개인별 임계값 조정 메커니즘을 개발하여 의사결정 정확도를 향상시킨다.
• 같은 깊은 CNN 특징이 얼굴 인식에 사용된 바가, 클라이언트별 일종 이상 PAD에 효과적으로 활용될 수 있음을 입증한다.
• 특히 학습 중에 공격 데이터를 사용하지 않을 경우, 새로운 공격 유형에 대한 저항성과 일반화 능력을 평가한다.

제안 방법

• 클라이언트별로 실수 접근 샘플만을 사용하여, 스푸핑 데이터 없이 클라이언트별 일종 분류기(OCSRC, MD, 및 일종 SVM)를 학습시킨다.
• 인식 및 PAD 작업 모두에 대해 사전 학습된 VGGFace 및 VGGFace2 네트워크에서 깊은 합성곱 특징을 추출한다.
• 학습 데이터에서 개인별 점수 분포를 활용하여 각 클라이언트의 고유한 결함 임계값을 결정한다.
• 클라이언트별 임계값을 적용하여, 이상 점수 기반으로 테스트 샘플을 실수 또는 이상(스푸핑)으로 분류한다.
• 다양한 학습 샘플 크기에서 프레임 기반 및 비디오 기반으로 AUC 및 EER 메트릭을 사용해 성능을 평가한다.
• 미리 보지 못한 공격 평가 프로토콜 하에서 클라이언트별 일종 시스템과 이종 기반 시스템을 비교한다.

실험 결과

연구 질문

• RQ1 클라이언트별 정보가 얼굴 프레젠테이션 공격 탐지에서 일종 이상 탐지 성능을 향상시킬 수 있는가?
• RQ2 실수 접근 데이터만을 사용하여 클라이언트별로 일종 분류기를 학습시키면, 새로운 공격 유형에 대한 일반화 능력이 향상되는가?
• RQ3 클라이언트 점수 분포에서 유도된 개인별 결함 임계값이 탐지 정확도를 상당히 향상시킬 수 있는가?
• RQ4 얼굴 인식에 사용된 동일한 깊은 CNN 특징이 클라이언트별 일종 이상 PAD에 효과적인가?
• RQ5 미리 보지 못한 공격 평가 시나리오에서 클라이언트별 일종 시스템의 성능이 이종 방법보다 어떻게 비교되는가?

주요 결과

• 클라이언트별 일종 이상 탐지 접근법은 Replay-Attack 개발 세트에서 EER 0.17%를 달성하여, 이전 연구에서 보고된 최고의 이종 방법(2.83% EER)을 크게 뛰어넘는다.
• 모델 구축 및 임계값 조정 모두에서 클라이언트별 정보를 활용함으로써, 테스트된 모든 일종 분류기에서 성능 향상이 뚜렷하게 나타난다.
• 학습 샘플 크기가 20%를 초과할 경우, 일종 SRC 기반 시스템의 성능이 저하됨을 확인하여 최적의 균형이 존재함을 시사한다.
• 일종 SVM 및 MD 분류기에서는 학습 샘플 크기가 증가함에 따라 성능 향상이 단조롭거나 거의 단조롭게 유지됨을 관찰하여, 데이터 양에 대해 뛰어난 저항성을 보임을 나타낸다.
• 얼굴 인식에 사용된 동일한 깊은 CNN 특징(VGGFace 등)이 클라이언트별 일종 이상 PAD에 효과적으로 활용될 수 있음을 입증하여, 특징 재사용이 가능하다.
• 학습 중에 스푸핑 데이터에 노출되지 않았음에도 불구하고, 새로운 공격 유형에 대해 잘 일반화됨을 입증함으로써, 이 방법의 강력한 일반화 능력을 입증한다.