[論文レビュー] Regularized Fine-grained Meta Face Anti-spoofing

Rui Shao, Xiangyuan Lan+1 more|arXiv (Cornell University)|Nov 25, 2019

Biometric Identification and Security参考文献 38被引用数 5

ひとこと要約

本論文は、メタ最適化におけるドメイン知識の正則化と、多様なドメインシフト状況をシミュレートする細分化戦略を組み合わせることで、未観測の攻撃に対する一般化性能を向上させる正則化された細分化メタラーニングフレームワークを提案する。本手法は、データセットに偏った特徴ではなく、一般化された内在的差別化特徴を学習することで、4つの公開データセットにおいて最先端の性能を達成する。

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.

研究の動機と目的

• 未観測の攻撃、特にドメインシフト下での顔の偽造検出モデルの一般化性能の低さを是正すること。
• 通常のメタラーニングの限界、特に学習方向の任意性と粗いドメインシフトシミュレーションを克服すること。
• メタラーニングプロセスにおいてドメイン固有の知識を正則化として活用することで、モデルのロバスト性を向上させること。
• 各トレーニングイテレーションで複数のドメインシフトシナリオを同時に探索する細分化学習戦略により、一般化を強化すること。
• 2次微分と注目メカニズムが、一般化された顔の偽装検出特徴を学習する上で有効であるかを検証すること。

提案手法

• ドメイン知識の監視によって正則化された特徴空間でメタラーニングを実行し、一般化された学習方向を優先する。
• ドメイン知識をメタ損失関数内の正則化項として組み込み、メタ最適化がより一般化された特徴学習に向かうように誘導する。
• 各メタ最適化ステップで複数のドメインシフトシナリオを同時にシミュレートする細分化学習戦略を採用し、ドメインシフトへの露出を豊かにする。
• メタ最適化プロセスで2次微分を用いることで、メタトレインとメタテストの学習をより効果的に調整し、一般化性能を向上させるとともに過学習を防止する。
• グローバル平均プーリングを用いて注目マップを可視化し、モデルが表面的な手がかり（背景や用紙の縁など）ではなく、内在的な顔の特徴を学習しているかを分析・検証する。
• バイナリ分類とドメイン知識監視を組み合わせたマルチタスク損失を用いて、エンドツーエンドでモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 メタラーニングにおけるドメイン知識の正則化を組み込むことで、顔の偽装検出における一般化性能が向上するか？
• RQ2 1イテレーションあたり複数のドメインシフトをシミュレートする細分化学習戦略が、未観測攻撃に対するモデルのロバスト性を向上させるか？
• RQ3 メタ最適化における2次微分の計算が、顔の偽装検出における一般化性能にどのように影響するか？
• RQ4 提案手法の注目マップは、背景や用紙の縁といった表面的特徴ではなく、内在的な顔の領域に集中しているか？
• RQ5 クロスデータセットの偽装検出シナリオにおいて、提案フレームワークは通常のメタラーニングや集約ベースの手法よりも効果的か？

主な発見

• 提案手法は4つの公開顔の偽装検出データセットにおいて最先端の性能を達成し、未観測攻撃に対する優れた一般化性能を示した。
• アブレーションスタディの結果、メタラーニング部を除いた場合（Ours_wo/meta）では性能が著しく低下し、一般化におけるその役割が裏付けられた。
• ドメイン知識正則化を除いた場合（Ours_wo/reg）では性能が急激に低下し、一般化された学習方向を誘導する上でその重要性が確認された。
• 細分化学習戦略は集約ベースのバージョン（Ours (aggregation)）を上回る性能を示し、複数シナリオのドメインシフトシミュレーションが一般化を強化することを実証した。
• 1次近似よりも2次微分を用いた最適化が優れた性能を示し（Ours (First-order)）、一般化においてその重要性が裏付けられた。
• 注目マップの可視化により、モデルが内在的な顔領域に集中している一方で、ベースラインモデルは背景や用紙の縁といった偏った手がかりに依存していることが確認された。