Verallgemeinerbare Methode für Face Anti-Spoofing mit semi-supervised Learning

Face-Anti-Spoofing hat aufgrund der hohen Sicherheitsanforderungen in biometrischen Authentifizierungssystemen erhebliche Aufmerksamkeit erfahren. Die Integration biometrischer Gesichtserkennung in kommerzielle Hardware hängt weitgehend von der Entwicklung zuverlässiger Methoden ab, die gefälschte Anmeldeversuche ohne spezialisierte Sensoren erkennen können. Aktuelle CNN-basierte Ansätze erzielen auf den Datensätzen, für die sie trainiert wurden, gute Ergebnisse, zeigen jedoch oft eine schlechte Generalisierbarkeit auf bisher nicht gesehene Datensätze. In diesem Paper beschreiben wir eine Methode zur Nutzung von unsupervisiertem Pretraining zur Verbesserung der Leistung über mehrere Datensätze hinweg ohne jegliche Anpassung, stellen den Entry Anti-Spoofing-Datensatz für das supervisierte Fine-Tuning vor und schlagen eine mehrklassige ergänzende Klassifikationsschicht vor, die die binäre Klassifikation zur Erkennung von Spoofing-Versuchen durch explizite, interpretierbare Signale erweitert. Wir demonstrieren die Effizienz unseres Modells durch state-of-the-art-Ergebnisse bei Cross-Dataset-Tests auf den Datensätzen MSU-MFSD, Replay-Attack und OULU-NPU.