[논문 리뷰] Impact of Face Image Quality Estimation on Presentation Attack Detection

Carlos Aravena, Diego Pasmiño외 2명|arXiv (Cornell University)|2022. 09. 30.

Face recognition and analysis인용 수 4

한 줄 요약

이 논문은 얼굴 인식 시스템에서 얼굴 이미지 품질 평가(FIQA)가 제시 공격 탐지(PAD)에 미치는 영향을 조사한다. 훈련 이전에 저품질의 본래 이미지와 공격 샘플을 필터링함으로써, 비전 트랜스포머 기반 PAD 모델(ViTranZFAS)은 훈련 데이터를 20% 줄인 상태에서 교차 데이터셋 테스트에서 BPCER가 4% 향상되었으며, 이는 품질 인지 필터링이 PAD의 강인성과 일반화 능력을 향상시킨다는 것을 보여준다.

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.

연구 동기 및 목표

• 실세계 생체인식 시스템에서 얼굴 이미지 품질 평가(FIQA)가 제시 공격 탐지(PAD) 성능에 미치는 영향을 평가하는 것.
• FIQA 사전 필터링이 품질 분포 측면에서 본래 샘플과 공격 샘플의 선택에 미치는 영향을 분석하는 것.
• 훈련 데이터셋에서 저품질 샘플을 제거함으로써 PAD의 일반화 능력 향상과 오류율 감소 여부를 조사하는 것.
• 다양한 데이터셋에서 PAD 시스템 성능 향상에 기여하는 다양한 FIQA 방법(MagFace, SER-FIQ, SDD-FIQ)의 효과를 비교하는 것.

제안 방법

• 최신 기술의 다수 FIQA 방법—MagFace, SER-FIQ, SDD-FIQ—를 적용하여 품질 기반으로 훈련 이미지를 점수 매기고 필터링하였다.
• 본래 이미지와 공격 이미지 모두에서 품질이 가장 낮은 20%를 제거하여 훈련 데이터셋을 필터링함으로써 PAD 모델 성능에 미치는 영향을 평가하였다.
• 내부 및 교차 데이터셋 테스트 프로토콜을 사용하여 전체 데이터셋과 필터링된 데이터셋 모두에서 두 PAD 모델—ViTranZFAS와 SSDG—를 훈련하고 평가하였다.
• 표준 지표인 EER(등가 오류 비율), BPCER(10%에서 20% 사이의 FAR), APCER(공격 제시 분류 오류 비율)를 사용하여 성능을 측정하였다.
• 품질 필터링된 데이터에서의 일반화 능력을 평가하기 위해 주로 비전 트랜스포머 기반 아키텍처(ViTranZFAS)를 PAD 모델로 사용하였다.
• 다양한 FIQA 방법의 성능 및 PAD 정확도와 강인성에 미치는 영향을 비교하기 위해 분석 실험(ablation studies)를 실시하였다.

실험 결과

연구 질문

• RQ1 FIQA 방법을 사용한 사전 필터링이 훈련 데이터의 본래 샘플과 공격 샘플 간 균형에 어떤 영향을 미치는가?
• RQ2 저품질 샘플을 제거함으로써 PAD 모델의 다양한 데이터셋 간 일반화 능력 향상 정도는 어느 정도인가?
• RQ3 다양한 FIQA 방법 중에서 데이터 필터링에 사용했을 때 PAD 성능 향상이 가장 일관되게 이루어지는 방법은 무엇인가?
• RQ4 내부 데이터셋과 교차 데이터셋 평가 시나리오 간 품질 필터링의 성능 향상 정도가 다를까?
• RQ5 품질 인지 필터링은 본래 인식 정확도를 흔들지 않으면서도 PAD 시스템의 오진 양성률(false positives)을 줄일 수 있는가?

주요 결과

• ViTranZFAS 모델을 훈련할 때, 품질이 가장 낮은 20%의 샘플을 제거함으로써 교차 데이터셋 테스트에서 BPCER가 4% 감소하여 일반화 능력 향상이 확인되었다.
• MagFace FIQA 방법이 가장 우수한 전반적 성능 향상을 보였으며, 다양한 테스트 시나리오에서 EER은 최대 1% 감소하고 BPCER는 최대 4% 감소하였다.
• ViTranZFAS 모델은 고품질 공격 샘플에 대해 더 뛰어난 분류 성능를 보였으며, 이는 품질 인지 필터링이 가짜 얼굴 공격 탐지 능력까지 향상시킬 수 있음을 시사한다.
• 20% 감소된 필터링된 데이터로 훈련함으로써 교차 데이터셋 테스트에서 BPCER가 3% 향상되어, 데이터 품질 필터링이 강인성을 향상시킨다는 점을 입증하였다.
• SSDG 모델 또한 MagFace 기반 필터링으로부터 이점을 얻었으며, 내부 데이터셋 테스트에서 EER이 1.5% 향상되었고, 교차 데이터셋 평가에서도 BPCER가 감소하였다.
• 반면, MobileNetv3 기반 훈련은 필터링된 데이터를 사용했을 때 성능 향상이 없었고 오히려 지표가 악화되어, 특정 모델에 따라 데이터 품질 필터링에 민감성이 있음을 나타냈다.