Apprentissage de représentations généralisables et discriminantes de l'identité pour la détection de visages falsifiés

La détection des attaques par présentation (également connue sous le nom de détection des visages factices) a suscité une attention croissante en raison de la demande élevée en matière de sécurité dans les systèmes d'authentification faciale. Les approches actuelles basées sur les CNN reconnaissent généralement bien les visages factices lorsque les échantillons d'entraînement et de test présentent des motifs similaires, mais leurs performances chutent considérablement lorsqu'il s'agit de tester des visages factices dans des scénarios inédits. Dans cet article, nous tentons d'améliorer la généralisation et l'applicabilité de ces méthodes en concevant un modèle CNN avec deux innovations majeures. Premièrement, nous proposons une perte de confusion totale par paire (Total Pairwise Confusion, TPC) simple mais efficace pour l'entraînement du CNN, qui renforce la généralisation des représentations d'attaques par présentation (Presentation Attack, PA). Deuxièmement, nous intégrons un composant d'adaptation rapide au domaine (Fast Domain Adaptation, FDA) dans le modèle CNN afin d'atténuer les effets négatifs dus aux changements de domaine. En outre, notre modèle proposé, appelé CNN d'authentification faciale généralisable (Generalizable Face Authentication CNN, GFA-CNN), fonctionne selon une approche multitâche, effectuant simultanément la détection des visages factices et la reconnaissance faciale. Les résultats expérimentaux montrent que le GFA-CNN surpasses les approches précédentes en matière de détection des visages factices tout en préservant efficacement les informations d'identité des images faciales d'entrée.