Face Presentation Attack Detection Using Deep Background Subtraction
PulseAugur coverage of Face Presentation Attack Detection Using Deep Background Subtraction — every cluster mentioning Face Presentation Attack Detection Using Deep Background Subtraction across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
无面部数据集的蔬菜可改善演示攻击检测
研究人员开发了一种新颖的人脸演示攻击检测（PAD）方法，通过使用西红柿、土豆和洋葱（TPO）数据集而非人脸进行模型训练。这个无面部数据集包含蔬菜的真实、打印和重放录音，能够学习可迁移的PAD表示。在TPO数据集上训练的检测器在标准的跨数据集人脸PAD基准测试中取得了92.70%的平均AUC，证明了其有效性，并表明PAD表示可以捕捉与面部内容无关的演示过程特征。将TPO纳入现有的人脸PAD训练中也持续提高了跨数据集性能，凸显了其在隐私保…
-
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。
-
基础模型在面部攻击检测方面展现出潜力，但在跨数据集迁移方面存在困难
研究人员通过统一的线性探测协议评估了24个冻结编码器，以研究基础模型在面部呈现攻击检测（PAD）方面的有效性。研究发现，虽然这些模型包含通过最少训练即可访问的PAD相关信息，但由于领域漂移，这些信息在不同数据集之间无法可靠地迁移。模型规模在某些家族内显示出优势，但性能也受到架构和预训练方法的影响。InternViT-6B在数据集内误差最低，而CLIP ViT-B/32在测试探针中提供了最佳的跨数据集迁移-计算权衡。
-
视觉 Transformer 减少了面部反欺骗系统中的人口统计学偏差
一篇新发表在 arXiv 上的研究调查了视觉 Transformer (ViT) 架构对人脸呈现攻击检测 (PAD) 系统中人口统计学偏差的影响。该研究使用 CASIA-SURF Cross-Ethnicity Face Anti-Spoofing (CeFA) 数据集，将 ViTs 与卷积神经网络 (CNNs) 进行了比较。结果表明，与 CNN 基线相比，ViT 模型，特别是 DeiT-S 架构，在不同族裔群体中实现了更高的准确率，…