基础模型在跨数据集人脸攻击检测方面存在困难

一项发表在arXiv上的新研究调查了基础模型（FMs）在人脸活体检测（PAD）方面的有效性。研究发现，尽管基于LoRA的适配可以实现较低的同数据集错误率，但在跨数据集泛化方面却面临显著困难。这表明，预训练表示和适配数据集本身对于泛化比LoRA等轻量级适配策略更为关键。该研究评估了32种不同的基础模型，并指出零样本提示在各种模型家族中表现不佳。 AI

影响 强调了当前基础模型适配技术在安全应用中实现实际泛化的局限性。

排序理由 研究论文，详细说明了基础模型在特定任务中的局限性。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• ACER
• CASIA-FASD
• Face Presentation Attack Detection Using Deep Background Subtraction
• foundation model
• LoRA
• MCIO benchmarks
• MSU-MFSD
• OULU-NPU
• replay attack

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →