[论文解读] Federated Face Presentation Attack Detection

Rui Shao, Pramuditha Perera+2 more|arXiv (Cornell University)|May 29, 2020

Biometric Identification and Security参考文献 21被引用 5

一句话总结

该论文提出FedPAD，一种用于面部活体攻击检测（fPAD）的联邦学习框架，可在不共享原始数据的前提下，跨多个数据中心训练全局fPAD模型，从而保护隐私。通过聚合来自不同数据中心的本地训练模型——每个数据中心具有不同的欺骗攻击类型——FedPAD显著提升了模型泛化能力，在检测未见过的2D攻击时，相比分数融合方法，HTER降低4.71%，AUC提升3.3%。

ABSTRACT

Face presentation attack detection (fPAD) plays a critical role in the modern face recognition pipeline. A face presentation attack detection model with good generalization can be obtained when it is trained with face images from different input distributions and different types of spoof attacks. In reality, training data (both real face images and spoof images) are not directly shared between data owners due to legal and privacy issues. In this paper, with the motivation of circumventing this challenge, we propose Federated Face Presentation Attack Detection (FedPAD) framework. FedPAD simultaneously takes advantage of rich fPAD information available at different data owners while preserving data privacy. In the proposed framework, each data owner (referred to as extit{data centers}) locally trains its own fPAD model. A server learns a global fPAD model by iteratively aggregating model updates from all data centers without accessing private data in each of them. Once the learned global model converges, it is used for fPAD inference. We introduce the experimental setting to evaluate the proposed FedPAD framework and carry out extensive experiments to provide various insights about federated learning for fPAD.

研究动机与目标

• 解决在单一数据中心有限且不重叠的数据集上训练fPAD模型时泛化能力差的挑战。
• 在不共享敏感人脸或欺骗图像的前提下，实现跨数据中心鲁棒fPAD模型的协同训练。
• 在保护数据隐私的同时，利用多个数据中心提供的多样化攻击类型（如打印、视频回放、3D面具等）。
• 通过联邦学习聚合异构数据中心的模型更新，提升模型对未见欺骗攻击的泛化能力。
• 提供一个实用的实验框架，用于评估联邦fPAD，并分析领域偏移和数据多样性等关键挑战。

提出的方法

• 采用联邦学习范式，其中数据中心作为客户端，中央服务器负责模型聚合。
• 每个数据中心在其私有数据集（真实人脸和欺骗攻击）上训练本地fPAD模型，且不共享原始数据。
• 服务器通过迭代方式聚合所有数据中心的模型更新（如神经网络权重），形成全局fPAD模型。
• 将全局模型重新分发给数据中心以进行进一步的本地训练，通过多轮通信实现收敛。
• 用户仅接收最终的全局模型用于推理，不具备任何本地训练能力。
• 使用标准评估指标（HTER、AUC）评估模型在未见欺骗攻击类型和数据集上的泛化能力。

实验结果

研究问题

• RQ1 联邦学习能否有效应用于面部活体攻击检测，以在保护数据隐私的同时提升模型泛化能力？
• RQ2 增加具有多样化欺骗攻击类型的数据中心数量，如何影响全局fPAD模型的性能与鲁棒性？
• RQ3 当训练数据集中仅包含一种攻击类型时，FedPAD在检测未见2D欺骗攻击（如打印和视频回放）方面能实现多大程度的泛化能力？
• RQ4 在联邦训练过程中引入3D面具攻击数据，是否能提升对新型3D欺骗技术的泛化能力？
• RQ5 在数据中心存在显著领域偏移的情况下，联邦fPAD的权衡与挑战是什么？

主要发现

• 在FedPAD中增加数据中心数量可一致提升模型性能，随着更多多样化数据中心的加入，HTER和AUC等评估指标持续改善。
• 在检测未在单个数据中心训练时出现的组合2D欺骗攻击（打印和视频回放）时，FedPAD相比分数融合方法，HTER降低4.71%，AUC提升3.3%。
• 将包含3D面具攻击数据的数据中心纳入FedPAD框架，可显著提升对新型3D欺骗攻击的泛化能力，如在数据集H上AUC和HTER指标均得到改善。
• 尽管整体性能有所提升，但因领域偏移增加，额外加入数据中心可能导致性能偶尔下降，表明多样性与模型收敛之间存在权衡。
• 所提出的框架表明，联邦学习在fPAD中具有可行性与有效性，可在拥有异构攻击数据的多个数据中心之间实现隐私保护的协作。
• 结果证实，使用多样化欺骗攻击类型进行联邦训练，可获得比在孤立数据集上训练更鲁棒、更泛化的fPAD模型。