Bi-FPNFAS: Bi-Directional Feature Pyramid Network für pixelgenaue Gesichts-Anti-Spoofing durch Ausnutzung von Fourier-Spektren

Die Einführung biometrischer Authentifizierung mittels moderner Sensoren in elektronischen Geräten hat eine zunehmende Verbreitung von Gesichtserkennungstechnologien gefördert. Obwohl diese Technologien verlockend erscheinen mögen, sind sie mit zahlreichen impliziten Nachteilen verbunden. In diesem Beitrag untersuchen wir das Problem der Gesichtsanti-Fälschung (Face Anti-Spoofing, FAS) auf Frame-Ebene, um die Risiken von Gesichtsfälschungsangriffen in biometrischen Authentifizierungsprozessen zu verringern. Wir setzen ein bidirektionales Merkmalspyramiden-Netzwerk (BiFPN) ein, das für die konvolutionelle, mehrskalige Merkmalsextraktion in der EfficientDet-Detektionsarchitektur verwendet wird – eine bisher für die Aufgabe der FAS neuartige Anwendung. Diese konvolutionellen mehrskaligen Merkmale nutzen wir zudem zur Durchführung einer tiefen pixelweisen Überwachung. In allen unseren Experimenten führen wir Evaluierungen auf allen zentralen Datensätzen durch und erzielen für die überwiegende Mehrzahl der Fälle konkurrenzfähige Ergebnisse. Zudem zeigen wir, dass die Einführung einer zusätzlichen, selbstüberwachten Verzweigung, die darauf abzielt, die Eingabedaten im Frequenzbereich zu rekonstruieren, auf Protocol IV des OULU-NPU-Datensatzes eine durchschnittliche Klassifizierungsfehlerquote (ACER) von 2,92 % erreicht – dies ist signifikant besser als die derzeit verfügbaren veröffentlichten Arbeiten im Bereich der pixelweisen Gesichtsanti-Fälschung. Darüber hinaus führen wir gemäß den Vorgehensweisen früherer Arbeiten inter-dataset-Tests durch, was die Generalisierbarkeit der vorgeschlagenen Modelle weiter untermauert, da diese ohne jegliche Feinabstimmung über verschiedene Sensoren hinweg optimale Ergebnisse erzielen.