[논문 리뷰] Deep Anomaly Detection for Generalized Face Anti-Spoofing

Daniel Pérez‐Cabo, David Jiménez‐Cabello외 2명|arXiv (Cornell University)|2019. 04. 17.

Biometric Identification and Security인용 수 2

한 줄 요약

이 논문은 제시 공격 탐지 문제를 이상 탐지 문제로 재정의하여 일반화된 얼굴 반사기(anti-spoofing)를 위한 딥 메트릭 학습 프레임워크를 제안한다. 메트릭-소프트맥스 손실을 삼중항 포인트 포인트 손실로 정규화한 새로운 '메트릭-소프트맥스' 손실을 도입하여 분류 가능한 특징 표현을 학습하며, GRAD-GPAD 벤치마크에서 최신 기술 성능을 달성한다. CASIA-FASD에서 16.8%의 ACER를 기록하고, Replay-Attack에서 45.62%의 ACER를 기록하며, 소수의 샘플을 이용한 사후 확률 추정을 통한 분류기 없는 추론을 가능하게 한다.

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.

연구 동기 및 목표

• 학습 데이터에 과적합되는 경향이 있는 얼굴 반사기 모델의 일반화 갭을 해소하여, 새로운 공격 타입이 존재하는 실세계 환경에서도 성능을 유지를 한다.
• 일반화된 제시 공격 탐지(GPAD) 문제를 이상 탐지 문제로 재정의하여, 분포 외 공격 샘플에 대한 강건성을 향상시킨다.
• 진짜 얼굴와 가짜 얼굴의 특징 표현을 동일한 임bedding 공간 내에서 분류 가능한 방식으로 학습하는 딥 메트릭 학습 아키텍처를 개발한다.
• 분류기 별 별도 학습 없이 결론을 내릴 수 있도록 소수의 샘플을 이용한 사후 확률 추정 방법을 도입한다.

제안 방법

• 삼중항 기반 학습 설정에서 앵커, 양성 및 음성 샘플의 특징을 추출하기 위해 공유 가중치를 가진 시아모이 CNN 아키텍처를 사용한다.
• 각 삼중항 쌍의 확률 분포를 모델링하는 새로운 '메트릭-소프트맥스' 손실을 도입하여 진짜와 가짜 샘플 간의 특징 분리 능력을 향상시킨다.
• 메트릭-소프트맥스 손실을 정규화하기 위해 삼중항 포인트 손실을 적용하여, 어려운 음성 샘플에 집중하고 마진 학습을 향상시킨다.
• 모델을 엔드 투 엔드로 학습하여, 진짜 샘플이 조밀하게 군집되고 가짜 샘플이 외곽으로 밀려나는 작고 분류 가능한 임베딩 공간을 학습한다.
• 각 클래스당 M=3개의 지원 샘플만을 사용하여 소수의 사후 확률 추정을 구현함으로써, 추론 시 별도의 분류기가 필요 없도록 한다.
• 임베딩 공간 내의 내재된 거리 분포를 활용하여 가짜 샘플을 이상치로 탐지하고, 이를 분포 외 지점으로 간주한다.

실험 결과

연구 질문

• RQ1 새로운 손실 공식화를 적용한 딥 메트릭 학습이 도메인 이동이 있는 테스트 세트를 넘어서 일반화 성능 향상에 기여하는가?
• RQ2 제안된 '메트릭-소프트맥스' 손실과 삼중항 포인트 손실의 조합이 가짜 탐지에 대한 분류 가능한 특징 표현 학습에 얼마나 효과적인가?
• RQ3 소수의 사후 확률 추정이 기존 분류기 대체 기능을 수행하면서도 높은 정확도를 유지할 수 있는가?
• RQ4 CASIA-FASD와 Replay-Attack과 같은 이전에 본 적 없는 데이터셋에서의 테스트 시 모델의 성능은 어떠한가?
• RQ5 기존의 분류 기반 반사기 모델 대비 이상 탐지 관점이 얼마나 강건성을 향상시키는가?

주요 결과

• 제안된 방법은 교차 데이터셋 테스트 프로토콜 하에서 CASIA-FASD 데이터셋에서 16.8%의 ACER를 기록하며, 이는 이전 최신 기술보다 뚜렷이 뛰어난 성능이다.
• Replay-Attack 데이터셋에서는 ACER가 45.62%로, 도메인 이동과 새로운 공격 유형으로 인한 심각한 성능 저하가 발생했음에도 불구하고 비교 대상 모든 방법들 중에서 가장 우수한 성능을 기록했다.
• 소수의 사후 확률 추정(Ours†)이 SVM 기반 버전(Ours)과 유사한 성능을 기록하여, 분류기 없는 추론 파이프라인의 효과성을 검증하였다.
• Replay-Attack에서 HTER는 25.00%로 유지되며, HTER 및 BPCER 측면에서 모든 베이스라인을 초월하여 강력한 일반화 및 강건성을 보였다.
• 메트릭-소프트맥스 손실과 삼중항 포인트 손실의 조합은 다양한 데이터셋 간 평가에서 일관된 성능 향상을 보이며, 더 분류 가능한 특징 표현을 유도하는 것으로 나타났다.
• 이 방법은 새로운 공격 유형과 도메인으로도 잘 일반화되며, 가짜 공격을 이상 탐지 문제로 간주함으로써 실세계 적용 가능성 향상에 기여한다.