論文の概要: Single-Side Domain Generalization for Face Anti-Spoofing
- arxiv url: http://arxiv.org/abs/2004.14043v1
- Date: Wed, 29 Apr 2020 09:32:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 14:11:30.557528
- Title: Single-Side Domain Generalization for Face Anti-Spoofing
- Title(参考訳): 顔アンチスプーフィングのための一側ドメイン一般化
- Authors: Yunpei Jia, Jie Zhang, Shiguang Shan, Xilin Chen
- Abstract要約: 対面型アンチスプーフィングの一般化能力を向上させるために,エンドツーエンドの単一側ドメイン一般化フレームワークを提案する。
提案手法は,4つの公開データベース上での最先端手法よりも効果的かつ優れた手法である。
- 参考スコア(独自算出の注目度): 91.79161815884126
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing domain generalization methods for face anti-spoofing endeavor to
extract common differentiation features to improve the generalization. However,
due to large distribution discrepancies among fake faces of different domains,
it is difficult to seek a compact and generalized feature space for the fake
faces. In this work, we propose an end-to-end single-side domain generalization
framework (SSDG) to improve the generalization ability of face anti-spoofing.
The main idea is to learn a generalized feature space, where the feature
distribution of the real faces is compact while that of the fake ones is
dispersed among domains but compact within each domain. Specifically, a feature
generator is trained to make only the real faces from different domains
undistinguishable, but not for the fake ones, thus forming a single-side
adversarial learning. Moreover, an asymmetric triplet loss is designed to
constrain the fake faces of different domains separated while the real ones
aggregated. The above two points are integrated into a unified framework in an
end-to-end training manner, resulting in a more generalized class boundary,
especially good for samples from novel domains. Feature and weight
normalization is incorporated to further improve the generalization ability.
Extensive experiments show that our proposed approach is effective and
outperforms the state-of-the-art methods on four public databases.
- Abstract(参考訳): フェース・アンチ・スプーフィングの既存の領域一般化手法は、一般化を改善するために共通の微分特徴を抽出する。
しかし、異なる領域の偽顔間での分布の相違が大きいため、偽顔に対してコンパクトで一般化された特徴空間を求めることは困難である。
本研究では,対面型アンチスプーフィングの一般化能力を向上させるために,エンドツーエンドのシングルサイドドメイン一般化フレームワーク(SSDG)を提案する。
主なアイデアは一般化された機能空間を学習することであり、現実の顔の特徴分布はコンパクトであり、偽の顔はドメインに分散しているが、各ドメイン内でコンパクトである。
具体的には、機能ジェネレータは、異なるドメインの実際の顔だけを識別できないように訓練するが、偽の顔は見分けがつかない。
さらに、非対称三重項損失は、実領域が集約されている間に異なる領域の偽の顔が分離されるのを制限するように設計されている。
上記の2つのポイントはエンドツーエンドのトレーニング方法で統一されたフレームワークに統合され、より一般化されたクラス境界、特に新しいドメインのサンプルに適している。
一般化能力をさらに向上させるために、特徴量および重量正規化が組み込まれている。
大規模な実験の結果,提案手法は4つの公開データベース上での最先端手法よりも優れていることがわかった。
関連論文リスト
- Boundless Across Domains: A New Paradigm of Adaptive Feature and Cross-Attention for Domain Generalization in Medical Image Segmentation [1.93061220186624]
ドメイン不変表現学習は、ドメイン一般化の強力な方法である。
従来のアプローチでは、高い計算要求、トレーニングの不安定性、高次元データによる限られた有効性といった課題に直面していた。
本研究では,分布空間を探索しながら分布外サンプルを生成する適応的特徴ブレンディング(AFB)手法を提案する。
論文 参考訳(メタデータ) (2024-11-22T12:06:24Z) - Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。
既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
論文 参考訳(メタデータ) (2024-11-06T11:03:02Z) - Generalized Face Liveness Detection via De-spoofing Face Generator [58.7043386978171]
以前のFace Anti-Spoofing (FAS) の作業は、目に見えない領域における一般化という課題に直面している。
De-spoofing Face Generator (DFG) によるモデル一般化を改善するために, 現実の顔を利用する Anomalous cue Guided FAS (AG-FAS) 方式を実行する。
次に,Anomalous cue Guided FAS feature extract Network (AG-Net)を提案する。
論文 参考訳(メタデータ) (2024-01-17T06:59:32Z) - Controllable Guide-Space for Generalizable Face Forgery Detection [0.6445605125467573]
本稿では,異なる偽ドメインの識別を強化するための制御可能なガイド空間(GS)手法を提案する。
十分に設計されたガイド空間は、偽ドメインの適切な分離と、実際の偽ドメイン間の大きな距離の両方を同時に達成することができる。
論文 参考訳(メタデータ) (2023-07-26T08:43:12Z) - DISPEL: Domain Generalization via Domain-Specific Liberating [19.21625050855744]
ドメインの一般化は、限られたソースドメインでのみトレーニングすることで、目に見えないテストドメインでうまく機能するモデルを学ぶことを目的としています。
本研究では,DomaIn-SPEcific Liberating (DISPEL)を提案する。
論文 参考訳(メタデータ) (2023-07-14T06:21:03Z) - Localized Adversarial Domain Generalization [83.4195658745378]
対数領域の一般化は、領域の一般化に対する一般的なアプローチである。
空間コンパクト性維持(LADG)を用いた局所対向領域の一般化を提案する。
我々はWilds DGベンチマークで包括的な実験を行い、我々のアプローチを検証する。
論文 参考訳(メタデータ) (2022-05-09T08:30:31Z) - Calibrated Feature Decomposition for Generalizable Person
Re-Identification [82.64133819313186]
Calibrated Feature Decomposition (CFD)モジュールは、人物の再識別の一般化能力の向上に焦点を当てている。
キャリブレーション・アンド・スタンダード化されたバッチ正規化(CSBN)は、キャリブレーションされた人物表現を学習するために設計されている。
論文 参考訳(メタデータ) (2021-11-27T17:12:43Z) - Adaptive Normalized Representation Learning for Generalizable Face
Anti-Spoofing [45.37463812739095]
ドメイン一般化(DG)に基づく対面反偽造(FAS)は、その堅牢性から注目されている。
本稿では,特徴抽出プロセスにおける正規化選択に着目した顔アンチスプーフィングの新たな視点を提案する。
論文 参考訳(メタデータ) (2021-08-05T15:04:33Z) - Dual Reweighting Domain Generalization for Face Presentation Attack
Detection [40.63170532438904]
ドメイン一般化(DG)に基づく対面的アンチスポーフィング(英語版)アプローチは、目に見えないシナリオに対する堅牢性から注目されている。
以前の方法は、トレーニングプロセス中に複数のドメインから各サンプルを無差別に処理する。
本稿では, サンプル間の相対的重要性を反復的に重み付けし, 一般化をさらに改善する新しいデュアルリヘアリングドメイン一般化フレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-30T15:24:34Z) - Generalizable Representation Learning for Mixture Domain Face
Anti-Spoofing [53.82826073959756]
ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。
ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。
この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
論文 参考訳(メタデータ) (2021-05-06T06:04:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。