تمثيل تمثيل فئة واحدة للكشف عن هجمات العرض الوجهي باستخدام الشبكات العصبية التلافيفية متعددة القنوات

تطور التعرف على الوجه كوسيلة بيومترية شائعة الاستخدام. ومع ذلك، يظل عرضته لهجمات العرض (presentation attacks) تشكل تهديدًا أمنيًا كبيرًا. على الرغم من أن أساليب كشف هجمات العرض (PAD) تحاول معالجة هذه المشكلة، إلا أنها غالبًا ما تفشل في التعميم على هجمات غير مرئية مسبقًا. في هذا العمل، نقترح إطارًا جديدًا لكشف هجمات العرض باستخدام تصنيف من فئة واحدة، حيث يتم تعلم تمثيل البيانات باستخدام شبكة عصبية متعددة القنوات (MCCNN). كما نقدم دالة خسارة جديدة تُجبر الشبكة على تعلم تمثيل مكثف لفئة الوجه الشرعي (bonafide)، مع الحفاظ على مسافة بعيدة عن تمثيل الهجمات. ويُستخدم نموذج مزيج من الغاوسيات من فئة واحدة على هذه التمثيلات لأداء مهمة كشف هجمات العرض. يقدّم الإطار المقترح منهجية جديدة لتعلم نظام PAD مقاوم من خلال فئة الوجه الشرعي والهجمات المعروفة (المتوفرة)، وهو أمر بالغ الأهمية نظرًا لسهولة جمع بيانات الوجه الشرعي والهجمات البسيطة مقارنةً بجمع مجموعة واسعة من الهجمات المكلفة. تم تقييم النظام المقترح على قاعدة بيانات WMCA متعددة القنوات المفتوحة للجمهور، والتي تحتوي على مجموعة واسعة من الهجمات ثنائية الأبعاد (2D) وثلاثية الأبعاد (3D). بالإضافة إلى ذلك، أجرينا تجارب باستخدام مجموعتي بيانات MLFP وSiW-M باستخدام قنوات RGB فقط. وقد أظهر الأداء المتميز في بروتوكولات الهجمات غير المرئية سابقًا فعالية المنهجية المقترحة. تم توفير البرمجيات والبيانات والبروتوكولات اللازمة لإعادة إنتاج النتائج بشكل عام للجمهور.