[논문 리뷰] Deep Tree Learning for Zero-shot Face Anti-Spoofing

Yaojie Liu, Joel Stehouwer외 2명|ArXiv.org|2019. 04. 05.

Biometric Identification and Security참고 문헌 44인용 수 14

한 줄 요약

이 논문은 13종의 다양한 페이스 스위프트 공격 유형을 계층적 특징 학습을 통해 의미론적 하위 그룹으로 비지도로 군집화하는 딥 트리 네트워크(DTN)를 제안한다. DTN은 알려지지 않은 스위프트 샘플을 가장 유사한 군집으로 라우팅하여 이진 스위프트 검출을 수행하며, 다양한 ZSFA 프로토콜에서 최신 기술 성능을 달성하면서도 이전 모델 대비 계산 비용을 15배 감소시킨다.

ABSTRACT

Face anti-spoofing is designed to keep face recognition systems from recognizing fake faces as the genuine users. While advanced face anti-spoofing methods are developed, new types of spoof attacks are also being created and becoming a threat to all existing systems. We define the detection of unknown spoof attacks as Zero-Shot Face Anti-spoofing (ZSFA). Previous works of ZSFA only study 1-2 types of spoof attacks, such as print/replay attacks, which limits the insight of this problem. In this work, we expand the ZSFA problem to a wide range of 13 types of spoof attacks, including print attack, replay attack, 3D mask attacks, and so on. A novel Deep Tree Network (DTN) is proposed to tackle the ZSFA. The tree is learned to partition the spoof samples into semantic sub-groups in an unsupervised fashion. When a data sample arrives, being know or unknown attacks, DTN routes it to the most similar spoof cluster, and make the binary decision. In addition, to enable the study of ZSFA, we introduce the first face anti-spoofing database that contains diverse types of spoof attacks. Experiments show that our proposed method achieves the state of the art on multiple testing protocols of ZSFA.

연구 동기 및 목표

• 학습 중에 관찰되지 않은 새로운 스위프팅 방법을 사용하는 공격자가 존재하는 실세계의 얼굴 인식 시스템에서 알려지지 않은 스위프팅 공격을 탐지하는 문제를 해결하기 위해.
• 기존 ZSFA 방법들이 1~2종의 스위프팅 유형만 고려하고 수작업 특징 또는 라이브 샘플 전용 모델링에 의존하는 한계를 극복하기 위해.
• 기존 스위프팅 데이터를 활용하여 비지도 계층적 군집화를 통해 알려지지 않은 공격 탐지 성능을 향상시키는 통합 프레임워크를 개발하기 위해.
• 13종의 다양한 스위프팅 공격 유형을 포함한 SiW-M 데이터베이스를 도입하여 ZSFA에 대한 종합적 벤치마크를 구축하기 위해.

제안 방법

• 특징 분산 기반의 비지도 학습을 이용해 스위프팅 데이터를 의미론적 하위 그룹으로 반복적으로 분할하는 딥 트리 네트워크(DTN)를 제안한다.
• 각 노드에서 데이터는 최대 분산 방향으로 분할되며, 보조 레이블 없이도 계층적 군집화가 가능하다.
• 각 리프 노드는 자체 하위 그룹에 특화된 이진 스위프팅 검출기 학습을 수행하며, 이에 라우팅된 스위프팅 샘플에 대해 타겟팅된 분류가 가능하다.
• 라우팅 메커니즘은 입력 샘플을 특징 유사도 기반으로 가장 유사한 리프 노드로 매핑하는 데 사용되는 학습된 함수 φ(x)를 사용한다.
• 모델는 대비 손실을 사용하여 엔드 투 엔드로 훈련되며, 이는 군집 내 밀도 강화와 군집 간 분리 강화를 유도한다.
• 프레임워크는 13종의 스위프팅 유형이 다양한 주제와 조건에서 포함된 새로운 대규모 데이터베이스(SiW-M)에서 평가된다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 일반적으로 연구된 프린트 및 재생 공격를 초월하여 알려지지 않은 스위프팅 공격을 일반화하여 탐지할 수 있는가?
• RQ2 비지도 계층적 군집화가 다양한 스위프팅 공격을 의미론적으로 유의미한 하위 그룹으로 묶는 데 얼마나 효과적인가?
• RQ3 명시적 애너테이션 없이도 알려진 스위프팅 데이터가 알려지지 않은 스위프팅 유형의 탐지 성능 향상에 얼마나 기여할 수 있는가?
• RQ4 ZSFA 성능은 알려지지 않은 공격 유형에 따라 어떻게 변동하는가? 그리고 탐지 난이도에 影향을 미치는 요소는 무엇인가?
• RQ5 컴act하고 효율적인 모델이 계산 비용을 크게 줄이며 동시에 ZSFA에서 최신 기술 성능을 달성할 수 있는가?

주요 결과

• 제안된 DTN은 여러 ZSFA 테스트 프로토콜에서 최신 기술 성능을 달성하며, EER 및 ACER 지표 모두 기존 방법을 능가한다.
• 기존 기준 모델 대비 계산 비용을 15배 감소시켰음(87 GFlops → 6 GFlops)하면서도 뛰어난 정확도를 유지한다.
• t-SNE 시각화 결과는 보조 레이블 없이도 다양한 스위프팅 유형의 특징이 8개의 의미론적 하위 그룹으로 잘 군집화되어 있음을 확인한다.
• 투명 마스크나 종이 안경과 같은 알려지지 않은 공격들은 가장 유사한 하위 그룹으로 성공적으로 라우팅되어 정확한 탐지가 가능하다.
• 공격 유형 간 성능 변동은 특징 공간의 근접도에 의해 설명된다: 예를 들어, 투명 마스크와 외부 메이크업 공격는 라이브 샘플에 비해 특징이 더 가까워 탐지가 더 어려운 편이다.
• 트리 라우팅 메커니즘은 일반적인 특징(예: 이미지 품질)에서부터 특정 특징(예: 3D 마스크 대비 메이크업)으로 계층을 거쳐 특징을 전이하는 데 성공했다.