論文の概要: Dual Teacher Knowledge Distillation with Domain Alignment for Face Anti-spoofing

• arxiv url: http://arxiv.org/abs/2401.01102v1
• Date: Tue, 2 Jan 2024 08:45:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-03 14:23:25.787634
• Title: Dual Teacher Knowledge Distillation with Domain Alignment for Face Anti-spoofing
• Title（参考訳）: 対面アンチスプーフィングのためのドメインアライメントを用いた二重教師知識蒸留
• Authors: Zhe Kong, Wentian Zhang, Tao Wang, Kaihao Zhang, Yuexiang Li, Xiaoying Tang, Wenhan Luo
• Abstract要約: 顔認識システムは、異なるプレゼンテーションアタックに対する脆弱性のために懸念を高めている。 ドメイン逆攻撃 (DAA) は、トレーニング不安定な問題を緩和する手法である。 顔の反偽造のための二重知覚および生成的知識蒸留の枠組み。
• 参考スコア（独自算出の注目度）: 39.942744529422896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face recognition systems have raised concerns due to their vulnerability to different presentation attacks, and system security has become an increasingly critical concern. Although many face anti-spoofing (FAS) methods perform well in intra-dataset scenarios, their generalization remains a challenge. To address this issue, some methods adopt domain adversarial training (DAT) to extract domain-invariant features. However, the competition between the encoder and the domain discriminator can cause the network to be difficult to train and converge. In this paper, we propose a domain adversarial attack (DAA) method to mitigate the training instability problem by adding perturbations to the input images, which makes them indistinguishable across domains and enables domain alignment. Moreover, since models trained on limited data and types of attacks cannot generalize well to unknown attacks, we propose a dual perceptual and generative knowledge distillation framework for face anti-spoofing that utilizes pre-trained face-related models containing rich face priors. Specifically, we adopt two different face-related models as teachers to transfer knowledge to the target student model. The pre-trained teacher models are not from the task of face anti-spoofing but from perceptual and generative tasks, respectively, which implicitly augment the data. By combining both DAA and dual-teacher knowledge distillation, we develop a dual teacher knowledge distillation with domain alignment framework (DTDA) for face anti-spoofing. The advantage of our proposed method has been verified through extensive ablation studies and comparison with state-of-the-art methods on public datasets across multiple protocols.
• Abstract（参考訳）: 顔認識システムでは,さまざまなプレゼンテーション攻撃に対する脆弱性が懸念されるようになり,システムセキュリティがますます重要になっている。 多くのface anti-spoofing (fas) メソッドはデータセット内シナリオでうまく機能するが、その一般化は依然として課題である。 この問題に対処するために、いくつかのメソッドはドメイン非不変の特徴を抽出するためにドメイン逆行訓練(DAT)を採用している。 しかし、エンコーダとドメイン識別器の競合により、ネットワークのトレーニングと収束が困難になる可能性がある。 本稿では,入力画像に摂動を加えてトレーニングの不安定性問題を軽減し,ドメイン間で区別不能にし,ドメインアライメントを可能にするドメイン逆攻撃(DAA)手法を提案する。 さらに、限られたデータや攻撃の種類に基づいて訓練されたモデルは、未知の攻撃に対してうまく一般化できないため、豊富な顔前駆体を含む事前訓練された顔関連モデルを利用した顔アンチスプーフィングのための二重知覚および生成的知識蒸留フレームワークを提案する。 具体的には,対象学生モデルに知識を伝達する教師として,2つの異なる顔関連モデルを採用する。 事前訓練された教師モデルは、反スプーフィングのタスクではなく、それぞれ知覚的タスクと生成的タスクから成り、暗黙的にデータを増強する。 daaとdual-teacher knowledge distillationを組み合わせることで,アンチスプーフィングのためのドメインアライメントフレームワーク(dtda)を用いた二重教師知識蒸留法を開発した。 提案手法の利点は,広範囲なアブレーション研究と,複数のプロトコルにまたがる公開データセットにおける最先端手法との比較によって検証された。

関連論文リスト

• Resisting Adversarial Attacks in Deep Neural Networks using Diverse Decision Boundaries [12.312877365123267]
  深層学習システムは、人間の目には認識できないが、モデルが誤分類される可能性がある、人工的な敵の例に弱い。 我々は,オリジナルモデルに対する多様な決定境界を持つディフェンダーモデルを構築するための,アンサンブルに基づく新しいソリューションを開発した。 我々は、MNIST、CIFAR-10、CIFAR-100といった標準画像分類データセットを用いて、最先端の敵攻撃に対する広範な実験を行った。
  論文  参考訳（メタデータ） (2022-08-18T08:19:26Z)
• One-Class Knowledge Distillation for Face Presentation Attack Detection [53.30584138746973]
  本稿では,一級ドメイン適応による対面PADのクロスドメイン性能向上のための教師学生フレームワークを提案する。 学生ネットワークは、教師ネットワークを模倣し、ターゲットドメインの真の顔サンプルの類似した表現を学ぶために訓練される。 テストフェーズでは、教師と学生ネットワークの表現の類似度スコアを用いて、真の攻撃と区別する。
  論文  参考訳（メタデータ） (2022-05-08T06:20:59Z)
• Dual Contrastive Learning for General Face Forgery Detection [64.41970626226221]
  本稿では,正と負のペアデータを構成するDCL (Dual Contrastive Learning) という新しい顔偽造検出フレームワークを提案する。 本研究は, 事例内コントラスト学習(Intra-ICL)において, 偽造顔における局所的内容の不整合に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-27T05:44:40Z)
• Federated Test-Time Adaptive Face Presentation Attack Detection with Dual-Phase Privacy Preservation [100.69458267888962]
  顔提示攻撃検出(fPAD)は、現代の顔認識パイプラインにおいて重要な役割を果たす。 法的およびプライバシー上の問題により、トレーニングデータ(実際の顔画像と偽画像)は、異なるデータソース間で直接共有することはできない。 本稿では,二相プライバシー保護フレームワークを用いたフェデレーションテスト時間適応顔提示検出を提案する。
  論文  参考訳（メタデータ） (2021-10-25T02:51:05Z)
• Disentangled Representation with Dual-stage Feature Learning for Face Anti-spoofing [18.545438302664756]
  事前に定義されたスプーフ攻撃タイプに過度に適合しないように、より一般化され差別的な特徴を学ぶことが不可欠である。 本稿では,無関係な特徴からスプーフ関連特徴を効果的に解き放つことができる,新しい二段階不整形表現学習法を提案する。
  論文  参考訳（メタデータ） (2021-10-18T10:22:52Z)
• Unsupervised Compound Domain Adaptation for Face Anti-Spoofing [74.6122128643823]
  顔認証システムを実環境で堅牢化することを目的とした顔認証対策の課題に対処します。 ソースモデルを対象ドメインに適応させるメモリ拡張手法を,ドメインに意識して提案する。 提案手法は,複数の新しいスプーフ型からなる複合ターゲットドメインに適応する。
  論文  参考訳（メタデータ） (2021-05-18T12:08:07Z)
• Class-Aware Domain Adaptation for Improving Adversarial Robustness [27.24720754239852]
  学習データに敵の例を注入することにより,ネットワークを訓練するための敵の訓練が提案されている。 そこで本研究では,対人防御のための新しいクラスアウェアドメイン適応法を提案する。
  論文  参考訳（メタデータ） (2020-05-10T03:45:19Z)
• Towards Transferable Adversarial Attack against Deep Face Recognition [58.07786010689529]
  ディープ畳み込みニューラルネットワーク(DCNN)は敵の例に弱いことが判明した。 転送可能な敵の例は、DCNNの堅牢性を著しく妨げます。 DFANetは畳み込み層で使用されるドロップアウトベースの手法であり,サロゲートモデルの多様性を高めることができる。 クエリなしで4つの商用APIをうまく攻撃できる新しい対向顔ペアを生成します。
  論文  参考訳（メタデータ） (2020-04-13T06:44:33Z)

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。