[论文解读] On the Learning of Deep Local Features for Robust Face Spoofing Detection

Gustavo Botelho de Souza, João Paulo Papa+1 more|arXiv (Cornell University)|Jun 19, 2018

Biometric Identification and Security被引用 4

一句话总结

本文提出了一种两阶段CNN架构lsCNN，首先在局部面部区域上进行预训练，以学习具有区分性的欺骗线索，然后在完整人脸图像上进行微调。通过利用区域特定的深度特征，该方法在Replay-Attack和CASIA FASD数据集上实现了SOTA性能，相较于整体或随机区域训练方法，收敛速度更快且鲁棒性更强。

ABSTRACT

Biometrics emerged as a robust solution for security systems. However, given the dissemination of biometric applications, criminals are developing techniques to circumvent them by simulating physical or behavioral traits of legal users (spoofing attacks). Despite face being a promising characteristic due to its universality, acceptability and presence of cameras almost everywhere, face recognition systems are extremely vulnerable to such frauds since they can be easily fooled with common printed facial photographs. State-of-the-art approaches, based on Convolutional Neural Networks (CNNs), present good results in face spoofing detection. However, these methods do not consider the importance of learning deep local features from each facial region, even though it is known from face recognition that each facial region presents different visual aspects, which can also be exploited for face spoofing detection. In this work we propose a novel CNN architecture trained in two steps for such task. Initially, each part of the neural network learns features from a given facial region. Afterwards, the whole model is fine-tuned on the whole facial images. Results show that such pre-training step allows the CNN to learn different local spoofing cues, improving the performance and the convergence speed of the final model, outperforming the state-of-the-art approaches.

研究动机与目标

• 为解决人脸识别系统在使用打印照片或数字复制品等欺骗攻击下的脆弱性问题。
• 探究从不同面部区域学习深层局部特征是否能提升欺骗检测性能。
• 开发一种训练策略，以提高欺骗检测中特征学习效率和模型泛化能力。
• 通过结构化预训练利用区域特定的欺骗线索，超越现有基于CNN的方法。

提出的方法

• 该方法采用两阶段训练流程：首先在固定且预定义的面部区域（如眼睛、鼻子、嘴巴）上分别训练多个'PatchNets'，以学习局部欺骗线索。
• 每个PatchNet是一个小型专用CNN，学习其指定面部区域特有的深度特征。
• 完成局部预训练后，将所有PatchNets的权重整合为一个统一的'lsCNN'模型，用于在完整人脸图像上进行全局微调。
• 微调阶段使用标准反向传播，基础初始值学习率为0.0001，动量参数为0.9和0.999，批量大小为64。
• 该架构使用Caffe框架实现，训练在Replay-Attack和CASIA FASD数据集上进行。
• 最终模型通过验证集和测试集上的等错误率（EER）和半总错误率（HTER）进行评估。

实验结果

研究问题

• RQ1 与整体或随机区域训练相比，在局部面部区域上进行预训练是否能提升欺骗攻击检测性能？
• RQ2 学习区域特定的欺骗线索是否能加快深度CNN在人脸欺骗检测中的收敛速度并提升泛化能力？
• RQ3 在标准基准数据集上，lsCNN在EER和HTER指标上的性能与SOTA方法相比如何？
• RQ4 该两阶段训练策略是否能有效应用于紧凑的CNN架构，而无需依赖大型复杂模型？

主要发现

• 在Replay-Attack数据集上，lsCNN实现了0.33%的EER和2.50%的HTER，优于传统训练的lsCNN（HTER: 1.75%），并达到最佳性能方法的水平。
• lsCNN模型在第53,600次迭代时达到最佳性能，显著早于传统训练的CNN（需74,200次迭代才能达到最佳结果）。
• 在CASIA FASD数据集上，lsCNN实现了4.44%的EER，与最佳性能方法持平，包括使用大型架构（如VGG-Face）的方法。
• lsCNN模型的收敛速度远快于传统训练版本，其峰值性能在第9,800次迭代时达到，而基线模型则需80,900次迭代。
• 局部预训练步骤提升了模型学习区分性欺骗线索的能力，从而带来更好的收敛性和鲁棒性。
• 该方法在紧凑CNN架构上实现了SOTA性能，证明局部特征学习能同时提升准确率和训练效率。