Learning Generalized Spoof Cues for Face Anti-spoofing

Learning Generalized Spoof Cues for Face Anti-spoofing
paper PDF

Intorduction

anti-spoof -> 传统方法 -> 缺陷 -> idea -> 设计->实验

Face Anti-spoof 即对人脸图像进行活体检测，常用于人脸身份认证的过程中，以防止别有用心的人利用目标人脸的照片，视频或者面具进行欺诈。

传统的anti-spoof利用如HOG，SIFT等手工特征来提取图像的纹理信息，并利用浅层的分类器如SVM来建立分类边界。再有就是利用CNN将该任务作为二分类网络来训练，以提取更加discriminate特征。但是由于人脸spoof的方式不同，并且考虑unknown欺诈方式。利用上述的训练方式，往往造成对某种欺诈方式的过拟合，而缺乏泛化能力。

考虑到FAS(Face Anti-spoof)的泛化能力差，主要在于欺诈手段的多样性。为了减轻这种多样性对决策边界的影响，本论文提出从异常检测(Anomaly Detection)的角度出发来重新定义FAS。本文假设live samples属于属于一个闭集，而其他spoof sample属于该闭集之外的一个开集中¹，并利用通过学习spoof cue作为区分封闭集和非封闭集的discriminate特征(spoof cue只在 spoof samples中存在)。在本论文中，spoof cue定义为一个于输入图像大小相同的feature map，spoof samples应该是一个非全零的feature map，而live samples应该是全零的feature map。

为了学习上文所说的feature map，论文中提出的网络模型由一个spoof cue生成器和一个Auxiliary Classifier构成。在spoof cue生成器中，论文对live samples计算了显式的回归损失，以最小化其feature map中值的大小；但并没有对spoof samples设置显式约束，使其feature map可以任何实数。这样一来，live samples和spoof samples就可以很自然地分离开来。此外，论文在生成器上采用多尺度特征级度量学习，以提高live samples的类内紧凑和live-spoof类间可分。最后，将feature map和以残差学习方式进行连接的输入图像反馈给Auxiliary Classifier，进一步改进了判别特征学习。

---

Innovation

1. 从异常检测(Anomaly Detection)的角度出发， 重新设计了FAS模型
2. 利用残差学习框架，提取discriminate的spoof cue，进一步提高了泛化能力
3. 通过Auxiliary Classifier 作为spoof cue的放大器进一步提升 spoof cue的效果

---

Method

Anomaly detection

Anomaly detection(AD)指的是在一组正常数据中识别异常样本的任务。典型的AD方法试图以监督的方式学习正常数据的紧凑描述。通常通过训练模型学习一种映射，使得以预定点c为中心的输出空间的超球面的体积最小化。而异常点就可以通过其在输出空间与预定点c之间的距离来判断。

在AD方法下，我们假设live samples属于一个闭集，而spoof samples是这个闭集的离群点，属于一个开集。因此，我们假设live samples的分布在学习特征表示空间的一个紧凑的球面上，而spoof samples远离这个球体的中心，如下图所示。

具体来讲，对于本文的FAS模型，假设输入空间为$X\in {\mathbb{R}}^d$，输出空间是$Z\in {\mathbb{R}}^p$，$\varphi (\cdot ;W)$是一个L层的深度神经网络，对应权重为 w = { w 1 , w 2 . . . w L } w=\{w^1, w^2...w^L\} w={ w1,w2...wL}。在给定$N_l$个live samples$(x_1,x_2....x_{n_l}\in X)$和$N_s$个spoof samples$(y_1,y_2....y_{n_s}\in X)$的情况下，模型的目标函数为: