論文の概要: Context-Predictive Low-Rank Adaptation for Face Presentation Attack Detection
- arxiv url: http://arxiv.org/abs/2611.16534v1
- Date: Thu, 12 Nov 2026 09:32:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.414499
- Title: Context-Predictive Low-Rank Adaptation for Face Presentation Attack Detection
- Title(参考訳): 顔提示検出のための文脈予測型低ランク適応
- Abstract要約: 顔提示攻撃検出には、取得装置、被写体、攻撃メディアの変化を物理的に識別する表現が必要である。
CP-JEPAは,事前学習したCLIP画像エンコーダの低ランクチューニングと共同埋め込み予測を併用した文脈予測適応フレームワークである。
- 参考スコア(独自算出の注目度): 2.637412308130323
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Face presentation attack detection requires representations that distinguish physical spoofing cues across changes in acquisition devices, subjects, and attack media. Large visual encoders offer transferable representations, but conventional binary fine-tuning supervises their final decisions without explicitly constraining how local facial evidence is represented under partial observation. We present CP-JEPA, a context-predictive adaptation framework that combines low-rank tuning of a pretrained CLIP image encoder with a joint-embedding predictive objective. A student predicts complete-image teacher features at masked spatial locations, while unmasked classification, masked classification, and prediction consistency retain the connection to the live/spoof task. An exponential-moving-average teacher supplies evolving latent targets. The auxiliary components are used only during training; inference requires only the LoRA-adapted CLIP visual encoder and binary classifier. {We evaluate CP-JEPA under single-source and multi-source OCIM transfer, additional CelebA-Spoof training, transfer to CelebA-Spoof, two-source training, and unseen-attack evaluation on SiW-Mv2.} On the standard OCIM benchmark, CP-JEPA achieves 3.74\% mean HTER and 98.73\% mean AUC. {Single-source evaluation achieves 11.36\% mean HTER across twelve source--target combinations.} With CelebA-Spoof added to the three OCIM training sources, CP-JEPA reduces mean HTER from 3.45\% to 2.35\% and increases mean AUC from 98.68\% to 99.32\%. On SiW-Mv2, it achieves 3.36\% mean HTER across the held-out attack categories. Controlled loss ablations examine the contributions of latent prediction, masked classification, and prediction consistency. The results show that context-predictive adaptation can improve cross-dataset PAD performance, although the gains vary with the training sources and evaluation setting.
- Abstract(参考訳): 顔提示攻撃検出には、取得装置、被写体、攻撃メディアの変化を物理的に識別する表現が必要である。
大きな視覚エンコーダは転送可能な表現を提供するが、従来のバイナリ細調整は、局所的な顔の証拠が部分的な観察の下でどのように表現されるかを明確に制限することなく、最終的な決定を監督する。
CP-JEPAは,事前学習したCLIP画像エンコーダの低ランクチューニングと共同埋め込み予測を併用した文脈予測適応フレームワークである。
学生は、マスクされた空間的場所における完全なイメージの教師の特徴を予測し、マスク付き分類、マスク付き分類、予測一貫性は、ライブ/スプーフタスクとの関係を維持する。
指数移動平均教師は、進化を続ける潜在目標を供給します。
補助的なコンポーネントはトレーニング時にのみ使用される。推論はLoRA対応のCLIPビジュアルエンコーダとバイナリ分類器のみを必要とする。
CP-JEPAを単一ソースおよびマルチソースOCIM転送,CelebA-Spoofトレーニングの追加,CelebA-Spoofへの移行,2ソーストレーニング,SiW-Mv2.} 標準OCIMベンチマークでは,CP-JEPAの平均HTER平均3.74 %,平均AUC平均98.73 %を達成している。
{Single-source Evaluation は12つのソース-ターゲットの組み合わせで 11.36 % の平均 HTER を達成する。
CP-JEPAは、CelebA-Spoofを3つのOCIMトレーニングソースに加えることで平均HTERを3.45\%から2.35\%に下げ、平均AUCを98.68\%から99.32\%に引き上げる。
SiW-Mv2では、ホールドアウト攻撃カテゴリ全体で平均HTERが3.36\%に達する。
制御された損失の短縮は、潜伏予測、マスク付き分類、予測一貫性の寄与について検討する。
その結果, 学習源や評価条件によって差はあるものの, 文脈予測適応によりPAD性能が向上することが示唆された。
関連論文リスト
- DINOFAS: Bonafide-Centric Representation Learning for Face Anti-Spoofing [2.4149105714758545]
Face Anti-Spoofing (FAS)モデルは、しばしば、目に見えない取得条件下でパフォーマンスを低下させるアタックとデータセット固有のキューを学習する。
DINOFASは、FASをボナフィド中心の表現学習として定式化するDINOv3ベースのフレームワークである。
論文 参考訳(メタデータ) (2026-11-02T08:39:19Z) - M-JEPA: Predictive Self-Supervised Learning for Molecular Graphs with Scaffold-Shift Evaluation on Tox21 [0.0]
自己教師付き分子表現学習は、ラベルに制限された小さな特性予測タスクの伝達を改善するために、ますます使われている。
化学コヒーレントな結合部分グラフをマスキングすることにより分子グラフに結合埋め込み予測アーキテクチャ(JEPA)を適用する。
マッチングされた計算では、M-JEPAは計算マッチングされたInfoNCEベースラインよりもかなり低いESOLプロキシRMSEを達成する。
論文 参考訳(メタデータ) (2026-10-18T10:39:31Z) - Selective Amortization of Full-Budget Counterfactual Reasoning for Visual Token Communication [9.80800686970189]
ACV-Gateは、フル予算の対実評価を近似するために学習する適応型候補評価フレームワークである。
CIFAR-10 実験の結果,ACV-Gate の再現性は安定的に向上し,候補評価を大幅に低減した。
論文 参考訳(メタデータ) (2026-09-25T03:31:35Z) - CoER: Defending against Adaptive Indirect Prompt Injection via Adversarial Co-Evolution and Refinement [19.128257554975104]
言語モデルエージェントは、ツール使用中に間接的プロンプトインジェクション(IPI)に対して脆弱である。
検証器を用いた共進化・改良フレームワークであるCoERを提案する。
主要な7ドメイン評価では、CoERは全体的な攻撃成功を38.5%から0.2%に削減した。
論文 参考訳(メタデータ) (2026-09-07T14:09:11Z) - Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。
大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。
本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
論文 参考訳(メタデータ) (2025-10-08T10:09:47Z) - Multi-Level Contrastive Learning for Dense Prediction Task [59.591755258395594]
本稿では,高密度予測タスクのための領域レベルの特徴表現を効率よく学習するための,MCL(Multi-Level Contrastive Learning for Dense Prediction Task)を提案する。
本手法は, 局所化, スケールの整合性, 認識の3つの要因に動機付けられている。
提案手法は,様々なデータセットにおける最近の最先端の手法よりも有意なマージンを有する。
論文 参考訳(メタデータ) (2023-04-04T17:59:04Z) - Unsupervised Domain Adaptation for Automated Knee Osteoarthritis
Phenotype Classification [0.8288807499147146]
本研究の目的は,小データセットを用いた自動膝関節症(OA)表現型分類における非教師なし領域適応(UDA)の有用性を実証することであった。
論文 参考訳(メタデータ) (2022-12-14T04:26:32Z) - Improved Certified Defenses against Data Poisoning with (Deterministic)
Finite Aggregation [122.83280749890078]
本報告では, 一般中毒に対する予防的対策として, フィニット・アグリゲーション(Finite Aggregation)を提案する。
トレーニングセットを直接非結合部分集合に分割するDPAとは対照的に、我々の方法はまず、トレーニングセットをより小さな非結合部分集合に分割する。
我々は、決定論的および集約的認証された防御設計をブリッジして、我々の方法の代替的な見解を提供する。
論文 参考訳(メタデータ) (2022-02-05T20:08:58Z) - Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。
ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。
SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
論文 参考訳(メタデータ) (2021-05-16T09:13:56Z) - Dense Contrastive Learning for Self-Supervised Visual Pre-Training [102.15325936477362]
入力画像の2つのビュー間の画素レベルでの差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分)を最適化することにより自己教師学習を実現する。
ベースライン法であるMoCo-v2と比較すると,計算オーバーヘッドは1%遅かった。
論文 参考訳(メタデータ) (2020-11-18T08:42:32Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳(メタデータ) (2020-06-08T07:24:33Z)
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。