Méthode généralisable pour l'anti-spoofing visage basée sur l'apprentissage semi-supervisé

La protection contre les attaques par contrefaçon faciale a suscité un intérêt croissant en raison des exigences élevées de sécurité dans les systèmes d’authentification biométrique. Le déploiement des biométries faciales sur du matériel commercial dépend largement du développement de méthodes fiables pour détecter les sessions de connexion frauduleuses sans recourir à des capteurs spécialisés. Les méthodes actuelles basées sur les réseaux de neurones convolutifs (CNN) obtiennent de bons résultats sur les domaines pour lesquels elles ont été entraînées, mais présentent souvent une faible capacité de généralisation sur des jeux de données auparavant inconnus. Dans cet article, nous proposons une méthode d’entraînement préalable non supervisé visant à améliorer les performances sur plusieurs jeux de données sans nécessiter d’adaptation, introduisons le jeu de données Entry Antispoofing pour un ajustage fin supervisé, et proposons une couche de classification auxiliaire multi-classes afin d’enrichir la tâche binaire de détection des tentatives de contrefaçon par des signaux explicites et interprétables. Nous démontrons l’efficacité de notre modèle en obtenant des résultats de pointe sur des tests inter-jeux de données sur les jeux MSU-MFSD, Replay-Attack et OULU-NPU.