BriefGPT - AI 论文速递
·
通过更精细的领域分区和解缚与活体无关的因素实施通用的人脸反欺诈
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
该文章介绍了基于域泛化的人脸反欺诈技术，通过重新定义领域、学习身份不变的活体表示和引入风格多样性模块和减弱对风格变化敏感性模块，以及提出的对比损失方法，解决了活体样本和欺诈样本之间的不对称性。实验证明该方法在跨数据集和有限源数据集情况下达到了最先进的性能，并具有良好的可扩展性。
🎯
关键要点
- 该文章介绍了基于域泛化的人脸反欺诈技术。
- 重新定义领域，基于身份而非数据集，以消除身份转移的负面影响。
- 重点学习身份不变的活体表示，通过分离活体和身份特征实现。
- 引入Style Cross模块以扩大风格多样性。
- 引入Channel-wise Style Attention模块以减弱对风格变化的敏感性。
- 提出新颖的对比损失Asymmetric Augmented Instance Contrast，解决活体样本和欺诈样本之间的不对称性。
- 在四个公共数据集上的实验表明，该方法在跨数据集和有限源数据集情况下达到了最先进的性能。
- 该方法在扩大身份多样性时具有良好的可扩展性，代码将很快发布。
➡️
