[论文解读] 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 5

一句话总结

本文提出了一种正则化的细粒度元学习框架用于人脸反 spoofing，通过在元优化中引入领域知识作为正则化，并采用细粒度策略模拟多样化的领域偏移场景，从而提升对未见攻击的泛化能力。该方法通过学习通用的、内在的差异性特征而非数据集偏置特征，在四个公开数据集上实现了最先进性能。

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.

研究动机与目标

• 为解决人脸反 spoofing 模型在领域偏移下对未见攻击泛化能力差的问题。
• 克服普通元学习在人脸反 spoofing 中的局限性，包括任意的学习方向和粗粒度的领域偏移模拟。
• 通过在元学习过程中利用领域特定知识作为正则化，提升模型鲁棒性。
• 通过细粒度学习策略，在每次训练迭代中同时探索多种领域偏移场景，提升泛化能力。
• 验证二阶导数和注意力机制在学习通用反 spoofing 特征中的有效性。

提出的方法

• 该框架在由领域知识监督正则化的特征空间中进行元学习，确保优先考虑通用的学习方向。
• 将领域知识作为正则化项引入元损失函数，引导元优化过程朝向更通用的特征学习方向。
• 采用细粒度学习策略，在每次元优化步骤中同时模拟多种领域偏移场景，增强领域偏移的暴露程度。
• 在元优化过程中使用二阶导数，更好地协调元训练与元测试的学习过程，提升泛化能力并防止过拟合。
• 通过全局平均池化（Global Average Pooling）可视化注意力图，分析并验证模型学习的是内在面部特征而非虚假线索。
• 采用端到端训练方式，结合二分类损失和领域知识监督的多任务损失进行训练。

实验结果

研究问题

• RQ1 在元学习中将领域知识作为正则化是否能提升人脸反 spoofing 的泛化能力？
• RQ2 采用每轮迭代中模拟多种领域偏移的细粒度学习策略是否能增强模型对未见攻击的鲁棒性？
• RQ3 在元优化中使用二阶导数计算如何影响人脸反 spoofing 的泛化性能？
• RQ4 所提方法的注意力图是否聚焦于内在面部特征，而非背景或纸张边缘等虚假线索？
• RQ5 在跨数据集反 spoofing 场景中，所提框架是否比普通元学习和聚合型方法更有效？

主要发现

• 所提方法在四个公开人脸反 spoofing 数据集上实现了最先进性能，证明了其对未见攻击的优越泛化能力。
• 消融实验表明，移除元学习组件（Ours_wo/meta）导致性能显著下降，验证了其在泛化中的关键作用。
• 去除领域知识正则化（Ours_wo/reg）导致性能急剧下降，证实其在引导通用学习方向中的重要性。
• 细粒度学习策略优于基于聚合的变体（Ours (aggregation)），证明多场景领域偏移模拟能有效提升泛化能力。
• 在元优化中使用二阶导数的性能优于一阶近似（Ours (First-order)），表明其在泛化中起关键作用。
• 注意力图可视化结果表明，模型聚焦于内在面部区域，而基线模型则依赖背景或纸张边缘等偏差线索。