用蔬菜训练人脸防伪模型？跨数据集AUC达92.7%，比合成脸更靠谱！
Tomatoes, Potatoes, and Onions: Questioning the Need for Faces in Face Presentation Attack Detection
📖 AI 总结
该研究挑战了人脸呈现攻击检测（PAD）领域的一个核心假设：检测是否必须依赖人脸信息。作者构建了名为TPO的专用数据集，包含西红柿、土豆和洋葱的打印、重放及翻拍样本，完全不含人脸内容。实验表明，仅用TPO训练的检测器在四个标准跨数据集人脸PAD基准上平均AUC达92.70%，优于合成人脸训练结果，与真实人脸数据集训练效果相当。反向实验中，人脸PAD模型也能迁移到TPO，说明模型学到的是呈现过程的共性特征而非物体语义。将TPO数据加入传统人脸PAD训练，在固定优化预算下持续提升跨数据集性能，表明无脸数据提供了互补信息。频谱和表征分析进一步证实，可迁移的PAD表征并非源于单一频谱伪影，而是编码了跨类别共享的丰富呈现线索。该研究为隐私保护、与身份无关的PAD开发提供了实证基础。
🔑 关键词速览
| Face Presentation Attack Detection (PAD) | 人脸呈现攻击检测，用于识别针对人脸识别系统的打印、重放等欺骗攻击。 |
| TPO dataset | 一个由西红柿、土豆和洋葱组成的无人脸呈现攻击数据集，用于研究PAD的通用性。 |
| Cross-dataset benchmark | 跨数据集基准测试，评估模型在不同数据集上的泛化能力。 |
| Foundation model | 基础模型，指在大规模数据上预训练的通用模型，可适应多种下游任务。 |
| Transferable representation | 可迁移表示，指从一种数据中学到的特征能够有效应用于其他相关任务或数据集。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅