[논문 리뷰] Regularized Fine-grained Meta Face Anti-spoofing

Rui Shao, Xiangyuan Lan외 1명|arXiv (Cornell University)|2019. 11. 25.

Biometric Identification and Security참고 문헌 38인용 수 5

한 줄 요약

이 논문은 도메인 지식을 메타최적화 과정의 정규화로 통합하고, 다양한 도메인 이탈 시나리오를 시뮬레이션하기 위해 미세 조절 전략을 활용하여, 예측할 수 없는 공격에 대한 일반화 능력을 향상시키는 정규화된 미세 조절 메타학습 프레임워크를 제안한다. 이 방법은 데이터셋에 편향된 특징이 아닌 일반화된 내재적 구분 특징을 학습하여 네 개의 공개 데이터셋에서 최신 기준 성능을 달성한다.

ABSTRACT

Face presentation attacks have become an increasingly critical concern when face recognition is widely applied. Many face anti-spoofing methods have been proposed, but most of them ignore the generalization ability to unseen attacks. To overcome the limitation, this work casts face anti-spoofing as a domain generalization (DG) problem, and attempts to address this problem by developing a new meta-learning framework called Regularized Fine-grained Meta-learning. To let our face anti-spoofing model generalize well to unseen attacks, the proposed framework trains our model to perform well in the simulated domain shift scenarios, which is achieved by finding generalized learning directions in the meta-learning process. Specifically, the proposed framework incorporates the domain knowledge of face anti-spoofing as the regularization so that meta-learning is conducted in the feature space regularized by the supervision of domain knowledge. This enables our model more likely to find generalized learning directions with the regularized meta-learning for face anti-spoofing task. Besides, to further enhance the generalization ability of our model, the proposed framework adopts a fine-grained learning strategy that simultaneously conducts meta-learning in a variety of domain shift scenarios in each iteration. Extensive experiments on four public datasets validate the effectiveness of the proposed method.

연구 동기 및 목표

• 예측할 수 없는 공격, 특히 도메인 이탈 상황에서의 낮은 일반화 능력을 해결하기 위해.
• 기본 메타학습의 한계, 즉 임의의 학습 방향과 거친 도메인 이탈 시뮬레이션을 극복하기 위해.
• 메타학습 과정에서 도메인 특화 지식을 정규화로 활용하여 모델의 강건성을 향상시키기 위해.
• 각 학습 반복에서 다중 도메인 이탈 시나리오를 동시에 탐색하는 미세 조절 전략을 통해 일반화 능력을 향상시키기 위해.
• 이阶 도함수와 주의 메커니즘이 일반화된 안면 스푸핑 방지 특징을 학습하는 데 기여하는지 검증하기 위해.

제안 방법

• 프레임워크는 도메인 지식 감독으로 정규화된 특징 공간에서 메타학습을 수행하여 일반화된 학습 방향이 우선시되도록 보장한다.
• 도메인 지식은 메타손실 함수에 정규화 항으로 통합되어 메타최적화가 더 일반화된 특징 학습 쪽으로 유도되도록 한다.
• 미세 조절 전략을 통해 각 메타최적화 단계에서 다중 도메인 이탈 시나리오를 동시에 시뮬레이션하여 도메인 이탈 노출을 풍부하게 한다.
• 메타최적화 과정에서 이阶 도함수를 사용하여 메타학습과 메타테스트 학습 간의 조율을 향상시켜 일반화 능력을 향상시키고 과적합을 방지한다.
• 글로벌 평균 풀링을 사용해 주의 맵을 시각화하여, 모델이 임의의 신호가 아닌 내재된 얼굴 특징을 학습하고 있음을 분석하고 검증한다.
• 이중 분류와 도메인 지식 감독을 조합한 다중 과제 손실을 사용해 모델을 엔드 투 엔드로 훈련시킨다.

실험 결과

연구 질문

• RQ1 메타학습에서 도메인 지식을 정규화로 통합하면 안면 스푸핑 방지의 일반화 능력이 향상되는가?
• RQ2 각 반복에서 다중 도메인 이탈을 시뮬레이션하는 미세 조절 전략이 예측할 수 없는 공격에 대한 모델 강건성 향상에 기여하는가?
• RQ3 메타최적화 과정에서 이阶 도함수 계산이 안면 스푸핑 방지의 일반화 성능에 어떤 영향을 미치는가?
• RQ4 제안된 모델의 주의 맵은 배경이나 종이 가장자리 같은 허수 신호가 아닌 내재된 얼굴 특징에 집중하는가?
• RQ5 교차 데이터셋 스푸핑 방지 시나리오에서 제안된 프레임워크는 기본 메타학습 및 집계 기반 접근법보다 더 효과적인가?

주요 결과

• 제안된 방법은 네 개의 공개 안면 스푸핑 방지 데이터셋에서 최신 기준 성능을 달성하여, 예측할 수 없는 공격에 대한 뛰어난 일반화 능력을 입증한다.
• 절단 실험 결과, 메타학습 구성 요소를 제거하면 성능이 크게 악화되며, 이는 일반화에 기여하는 역할을 확인한다 (Ours_wo/meta).
• 도메인 지식 정규화를 제외할 경우 성능이 급격히 떨어지며, 이는 일반화된 학습 방향을 유도하는 데 중요한 역할을 함을 확인한다 (Ours_wo/reg).
• 미세 조절 전략은 집계 기반 변형보다 성능이 뛰어나며, 다중 시나리오 도메인 이탈 시뮬레이션의 일반화 능력 향상 기여를 입증한다 (Ours (aggregation)).
• 이阶 도함수를 사용한 메타최적화는 일阶 근사보다 더 높은 성능을 보이며, 일반화에 핵심적인 역할을 함을 시사한다 (Ours (First-order)).
• 주의 맵 시각화 결과, 모델은 내재된 얼굴 영역에 집중하는 반면, 기준 모델은 배경이나 종이 가장자리 같은 편향된 신호에 의존함을 확인한다.