[论文解读] Client-Specific Anomaly Detection for Face Presentation Attack Detection

Shervin Rahimzadeh Arashloo, Josef Kittler|arXiv (Cornell University)|Jul 2, 2018

Anomaly Detection Techniques and Applications参考文献 29被引用 5

一句话总结

本文提出了一种面向人脸活体攻击检测（PAD）的客户端特定单类异常检测框架，利用预训练深度卷积神经网络（CNN）提取的身份感知表征以及针对个体的决策阈值。通过仅使用真实访问数据对每个客户端单独训练生成式与判别式单类分类器，该方法在未使用任何攻击样本的情况下实现了最先进性能——在Replay-Attack开发集上将EER降低至0.17%。

ABSTRACT

The one-class anomaly detection approach has previously been found to be effective in face presentation attack detection, especially in an extit{unseen} attack scenario, where the system is exposed to novel types of attacks. This work follows the same anomaly-based formulation of the problem and analyses the merits of deploying extit{client-specific} information for face spoofing detection. We propose training one-class client-specific classifiers (both generative and discriminative) using representations obtained from pre-trained deep convolutional neural networks. Next, based on subject-specific score distributions, a distinct threshold is set for each client, which is then used for decision making regarding a test query. Through extensive experiments using different one-class systems, it is shown that the use of client-specific information in a one-class anomaly detection formulation (both in model construction as well as decision threshold tuning) improves the performance significantly. In addition, it is demonstrated that the same set of deep convolutional features used for the recognition purposes is effective for face presentation attack detection in the class-specific one-class anomaly detection paradigm.

研究动机与目标

• 解决双类人脸PAD系统在未见攻击场景下的泛化能力局限性。
• 探究客户端特定信息是否能提升单类异常检测在人脸欺骗检测中的性能。
• 基于个体得分分布，开发一种客户端特定的阈值调优机制以提升决策准确性。
• 证明用于人脸识别的相同深度CNN特征在客户端特定单类PAD中同样有效。
• 在未见攻击类型下评估所提方法的鲁棒性与泛化能力，尤其在训练过程中未使用任何攻击数据的情况下。

提出的方法

• 仅使用每个客户端的真实访问样本（不包含任何伪造数据）训练客户端特定的单类分类器（OCSRC、MD和单类SVM）。
• 从预训练的VGGFace和VGGFace2网络中提取深度卷积特征，用于身份识别与PAD任务。
• 利用训练数据中个体的得分分布，为每位客户端确定个性化的决策阈值。
• 将客户端特定的阈值应用于测试样本，根据异常得分将其分类为真实或异常（伪造）。
• 在不同训练样本规模下，基于帧级与视频级评估AUC与EER指标。
• 在未见攻击评估协议下，将客户端特定的单类系统与双类基线方法进行对比。

实验结果

研究问题

• RQ1 客户端特定信息能否提升单类异常检测在人脸活体攻击检测中的性能？
• RQ2 仅使用真实访问数据为每个客户端训练单类分类器，是否能提升对未见攻击类型的泛化能力？
• RQ3 基于客户端得分分布推导出的个体化决策阈值是否能显著提升检测准确性？
• RQ4 用于人脸识别的相同深度CNN特征是否在客户端特定单类PAD中同样有效？
• RQ5 在未见攻击评估场景下，客户端特定单类系统与双类方法相比性能如何？

主要发现

• 客户端特定单类方法在Replay-Attack开发集上实现了0.17%的EER，显著优于先前工作中报告的最佳双类方法（2.83% EER）。
• 在模型构建与阈值调优中同时引入客户端特定信息，显著提升了所有测试单类分类器的性能。
• 当训练样本规模超过20%时，基于单类SRC的系统性能开始下降，表明存在一个最优平衡点。
• 单类SVM与MD分类器的性能随训练样本规模增加呈单调或近似单调提升，表明对数据量具有鲁棒性。
• 用于人脸识别的相同深度CNN特征（如VGGFace）在客户端特定单类PAD中同样有效，支持特征复用。
• 该方法在未见攻击类型上表现出良好的泛化能力，其优异性能证明了在训练阶段完全未接触伪造数据的可行性。