Lernen von verallgemeinerbaren und identitätsunterscheidenden Darstellungen für das Gesichtserkennungssystem gegen Spoofing

Die Erkennung von Gesichtstäuschungen (auch als Präsentationsangriffserkennung bekannt) hat aufgrund der hohen Sicherheitsanforderungen in Gesichtserkennungssystemen zunehmend an Bedeutung gewonnen. Bestehende CNN-basierte Ansätze erkennen üblicherweise gut täuscherische Gesichter, wenn die Muster in den Trainings- und Testdaten ähnlich sind. Allerdings sinkt ihre Leistung stark, wenn sie auf täuscherische Gesichter in unbekannten Szenarien getestet werden. In dieser Arbeit versuchen wir die Übertragbarkeit und Anwendbarkeit dieser Methoden durch das Design eines CNN-Modells mit zwei wesentlichen Neuerungen zu verbessern. Erstens schlagen wir eine einfache, aber effektive Total-Pairwise-Verwirrungsverlustfunktion (TPC-Loss) für das Training des CNNs vor, die die Übertragbarkeit der gelernten Präsentationsangriffs-Darstellungen (PA-Darstellungen) erhöht. Zweitens integrieren wir ein Komponente zur schnellen Domänenanpassung (Fast Domain Adaptation, FDA) in das CNN-Modell, um negative Auswirkungen durch Domänenänderungen zu mildern. Darüber hinaus arbeitet unser vorgeschlagenes Modell, das als Generalizable Face Authentication CNN (GFA-CNN) bezeichnet wird, in einem Multi-Task-Ansatz und führt gleichzeitig Gesichtstäu-schungerkennung und Gesichtserkennung durch. Experimentelle Ergebnisse zeigen, dass GFA-CNN frühere Ansätze zur Gesichtstäu-schungerkennung übertrifft und gleichzeitig die Identitätsinformationen der Eingabegesichtsbilder gut beibehält.