초록
얼굴 생체 인증 시스템의 높은 보안 요구 사항으로 인해 얼굴 반사 위조 방지(Face anti-spoofing) 기술에 대한 관심이 높아지고 있다. 생체 인식 기술을 상용 하드웨어에 적용하는 데 있어, 특수 센서 없이도 위조 로그인 세션을 신뢰할 수 있게 탐지할 수 있는 방법 개발이 핵심이 되었다. 기존의 CNN 기반 기법은 학습된 도메인에서는 우수한 성능을 보이지만, 사전에 접하지 않은 데이터셋에서는 일반화 성능이 낮은 경향이 있다. 본 논문에서는 특별한 적응 과정 없이도 다수의 데이터셋에서 성능을 향상시키기 위해 비지도 사전 학습(unsupervised pretraining)을 활용하는 방법을 제시하며, 지도 학습을 위한 보완용 데이터셋으로 'Entry Antispoofing Dataset'을 소개한다. 또한, 위조 시도 탐지라는 이진 분류 작업에 명시적이고 해석 가능한 신호를 추가하기 위해 다중 클래스 보조 분류 레이어를 제안한다. 실험을 통해 MSU-MFSD, Replay-Attack, OULU-NPU 데이터셋에서의 크로스-데이터셋 테스트에서 기존 최고 수준의 성능을 달성함으로써 제안 모델의 효율성을 입증하였다.