[논문 리뷰] Learning deep forest with multi-scale Local Binary Pattern features for face anti-spoofing

Rizhao Cai, Changsheng Chen|arXiv (Cornell University)|2019. 10. 09.

Biometric Identification and Security참고 문헌 37인용 수 13

한 줄 요약

이 논문은 다중 척도 국소 이진 패턴(LBP) 특징을 사용한 딥 포레스트를 제안하며, 기존의 입자 스캐닝 메커니즘을 대체하여 적대적 공격에 대한 강건성을 향상시킨다. 이 방법은 IDIAP REPLAY-ATTACK 데이터셋에서 0% 등가 오류 비율(EER)을 달성하여 최신의 CNN 기반 방법과 경쟁 가능한 성능을 보이며, 수작업 특징 통합을 통해 시스템 수준의 보안성을 향상시킨다.

ABSTRACT

Face Anti-Spoofing (FAS) is significant for the security of face recognition systems. Convolutional Neural Networks (CNNs) have been introduced to the field of the FAS and have achieved competitive performance. However, CNN-based methods are vulnerable to the adversarial attack. Attackers could generate adversarial-spoofing examples to circumvent a CNN-based face liveness detector. Studies about the transferability of the adversarial attack reveal that utilizing handcrafted feature-based methods could improve security in a system-level. Therefore, handcrafted feature-based methods are worth our exploration. In this paper, we introduce the deep forest, which is proposed as an alternative towards CNNs by Zhou et al., in the problem of the FAS. To the best of our knowledge, this is the first attempt at exploiting the deep forest in the problem of FAS. Moreover, we propose to re-devise the representation constructing by using LBP descriptors rather than the Grained-Scanning Mechanism in the original scheme. Our method achieves competitive results. On the benchmark database IDIAP REPLAY-ATTACK, 0\% Equal Error Rate (EER) is achieved. This work provides a competitive option in a fusing scheme for improving system-level security and offers important ideas to those who want to explore methods besides CNNs.

연구 동기 및 목표

• CNN 기반 얼굴 반사도 검출 시스템의 적대적 공격에 대한 취약성을 해결하기 위해.
• 생체 인식 생존성 검출에서 딥 러닝 대체로 트리 앙상블 방법을 탐색하기 위해.
• 입자 스캐닝 메커니즘을 LBP 기반 표현 학습으로 대체하여 딥 포레스트의 표현 학습을 향상시키기 위해.
• 기준 데이터셋에서 경쟁 가능한 성능을 달성하면서도 시스템 수준의 보안성을 향상시키기 위해.
• 융합 기반 반사도 검출 설계에 대한 실현 가능한 비-CNN 대안을 제공하기 위해.

제안 방법

• 딥 포레스트의 원래 입자 스캐닝 메커니즘을 다중 척도 국소 이진 패턴(LBP) 서술자로 대체하여 표현 학습을 수행한다.
• RGB, HSV, YCbCr 색상 공간에서 추출한 LBP 특징을 사용하여 텍스처 기반의 위조 탐지 신호를 포착한다.
• 딥 포레스트에서 계층적 캐스케이드 전략을 적용하여 LBP 기반 표현을 통해 점진적으로 예측을 정밀화한다.
• 여러 기준 데이터셋에서 성능 평가를 위해 오차 없는 교차 검증(5개의 폴드) 프rotocol를 사용한다.
• 성능과 계산 비용의 균형을 맞추기 위해 각 포레스트의 나무 수를 최적화한다.
• 수작업 특징을 활용하여 적대적 예측의 이식성을 방지함으로써 시스템 수준의 보안성을 향상시킨다.

실험 결과

연구 질문

• RQ1 딥 포레스트에 LBP 특징을 적용할 경우, CNN 기반 모델과 비교해 경쟁 가능한 성능을 달성할 수 있는가?
• RQ2 입자 스캐닝 메커니즘을 LBP 기반 표현 학습으로 대체하면 정확도와 강건성이 향상되는가?
• RQ3 수작업 LBP 특징이 얼굴 생존성 검출에서 적대적 위조 공격에 대한 저항력을 향상시킬 수 있는가?
• RQ4 다양한 색상 공간(RGB, HSV, YCbCr)에서 제안된 방법의 성능는 어떻게 달라지는가?
• RQ5 정확도와 계산 효율성의 균형을 고려할 때, 각 포레스트의 최적의 나무 수는 얼마인가?

주요 결과

• 제안된 방법은 IDIAP REPLAY-ATTACK 데이터베이스에서 0% 등가 오류 비율(EER)을 달성하여, 이 기준에서 보고된 모든 CNN 기반 방법과 CoALBP를 모두 능가한다.
• MSU-MFVSD 데이터베이스에서 YCbCr 색상 공간에서 1.56% EER와 1.33% HTER를 기록했으며, 깊이 기반 CNN(2.62% EER)과 패치 기반 CNN(0.55% EER)보다 HTER에서 뛰어난 성능을 보였다.
• YCbCr 색상 공간을 사용한 방법은 IDIAP 데이터셋에서 0% EER를 달성하여 위조 공격 탐지에서 높은 강건성과 정확성을 보였다.
• 포레스트당 128~256개의 나무에서 성능가 안정화되며, 500개 이상의 나무에서는 최소한의 성능 향상만을 보여, 정확도와 계산 비용 사이의 실용적 트레이드오프를 시사한다.
• LBP 기반 강화된 딥 포레스트는 원래의 입자 스캐닝 메커니즘을 사용한 딥 포레스트보다 우수한 성능을 보이며, 텍스처 기반 특징 통합의 효과를 확인했다.
• 수작업 특징을 활용하여 적대적 모델에 이식되지 않는 특성을 확보함으로써, 시스템 수준의 보안성이 뛰어나지며, 탈출 공격의 위험을 감소시켰다.