近日，实验室关于跨域人脸呈现攻击检测的工作“Unsupervised Adversarial Domain Adaptation for Cross-domain Face Presentation Attack Detection” （作者：Guoqing Wang, Hu Han, Shiguang Shan, and Xilin Chen）被IEEE TIFS接收。IEEE TIFS全称为IEEE Transactions on Information Forensics and Security, 是生物特征识别、信息安全领域的CCF-A类权威期刊， 2019年公布的影响因子为6.211。
人脸识别系统被广泛应用于访问控制、安全检查、智能监控、手机解锁等场景中。人脸呈现攻击检测（Face Presentation Attack Detection， PAD， 又经常被称为人脸欺骗检测）对于保障人脸识别系统的安全性至关重要。实际场景中通常很难提前获得新应用场景中带标签的训练数据， 所以大部分现有的方法在新场景下泛化能力都不高。为此， 本文提出了一种基于无监督对抗域自适应的跨域人脸呈现攻击检测方法（DR-UDA）。如下图所示， DR-UDA由三部分组成，分别是ML-Net、UDA-Net和DR_Net。ML-Net通过度量学习的方式利用带有标签的源域数据来学习一个对活体人脸和欺骗人脸具有判别力的特征表示。UDA-Net通过进行无监督对抗域自适应对源域和目标域的编码器共同优化，从而得到被两个域共享的特征表示， 进而可以将源域中的PAD模型高效迁移到目标域中。DR-Net通过从共享特征表示空间中重构源域和目标域的人脸图像，进一步提取和特定域无关的特征表示。因此，DR-UDA可以学习到一个解耦的特征表示空间，该空间不仅对于两个域具有可生成性，还对于呈现攻击样本具有判别力。所提出的方法在Oulu-NPU， CASIA-FASD， MSU-MFSD，Rose-Youtu等几个公开的人脸呈现攻击检测数据集中都取得了好的性能。
相关论文信息：
[1] Guoqing Wang, Hu Han, Shiguang Shan, and Xilin Chen. Unsupervised Adversarial Domain Adaptation for Cross-domain Face Presentation Attack Detection, IEEE Transactions on Information Forensics and Security (T-IFS). (Accepted on June. 10, 2020)
[2] Guoqing Wang, Hu Han, Shiguang Shan, and Xilin Chen. Cross-domain Face Presentation Attack Detection via Multi-domain Disentangled Representation Learning, IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2020.
[3] Guoqing Wang, Hu Han, Shiguang Shan, and Xilin Chen. Improving Cross-database Face Presentation Attack Detection via Adversarial Domain Adaptation, in Proc. 12th IAPR International Conference on Biometrics (ICB), pp. 1-8, Crete, Greece, Jun 4-7, 2019.
附件：