Fugu-MT 論文翻訳(概要): Camera Invariant Feature Learning for Generalized Face Anti-spoofing

論文の概要: Camera Invariant Feature Learning for Generalized Face Anti-spoofing

arxiv url: http://arxiv.org/abs/2101.10075v1
Date: Mon, 25 Jan 2021 13:40:43 GMT
ステータス: 処理完了
システム内更新日: 2021-03-14 19:21:32.506211
Title: Camera Invariant Feature Learning for Generalized Face Anti-spoofing
Title（参考訳）: 汎用顔アンチスプーフィングのためのカメラ不変特徴学習
Authors: Baoliang Chen, Wenhan Yang, Haoliang Li, Shiqi Wang and Sam Kwong
Abstract要約: 本稿では,特徴レベルの取得カメラから固有のばらつきの影響を排除したフレームワークについて述べる。実験により、提案手法はデータセット内設定とデータセット間設定の両方でより良いパフォーマンスを達成できることが示された。
参考スコア（独自算出の注目度）: 95.30490139294136
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: There has been an increasing consensus in learning based face anti-spoofing that the divergence in terms of camera models is causing a large domain gap in real application scenarios. We describe a framework that eliminates the influence of inherent variance from acquisition cameras at the feature level, leading to the generalized face spoofing detection model that could be highly adaptive to different acquisition devices. In particular, the framework is composed of two branches. The first branch aims to learn the camera invariant spoofing features via feature level decomposition in the high frequency domain. Motivated by the fact that the spoofing features exist not only in the high frequency domain, in the second branch the discrimination capability of extracted spoofing features is further boosted from the enhanced image based on the recomposition of the high-frequency and low-frequency information. Finally, the classification results of the two branches are fused together by a weighting strategy. Experiments show that the proposed method can achieve better performance in both intra-dataset and cross-dataset settings, demonstrating the high generalization capability in various application scenarios.
Abstract（参考訳）: 学習ベースのアンチスプーフィングでは、カメラモデルの相違が実際のアプリケーションシナリオに大きなドメインギャップをもたらしているというコンセンサスが高まっている。本稿では,特徴レベルでの取得カメラからの固有ばらつきの影響を排除し,異なる取得デバイスに高度に適応可能な汎用的な顔スプーフィング検出モデルを実現するフレームワークについて述べる。特に、フレームワークは2つのブランチで構成されている。最初のブランチは、高周波領域における特徴レベルの分解を介してカメラ不変のスプーフィング機能を学ぶことを目的とする。スプルーフィングの特徴が高周波領域にのみ存在するという事実に動機づけられて、第2ブランチでは、高周波および低周波情報の再構成に基づいて、抽出されたスポーフィング機能の識別能力を強化画像からさらに高める。最後に、2つの枝の分類結果は重み付け戦略によって融合される。実験では、提案手法がデータセット内設定とデータセット間設定の両方でより良いパフォーマンスを達成できることを示し、様々なアプリケーションシナリオで高い一般化能力を示す。