一个统一的虹膜反欺骗框架：引入IrisGeneral数据集和Masked-MoE方法
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了虹膜反欺骗方法在跨领域能力方面的不足，尤其是缺乏能够评估虹膜反欺骗任务泛化能力的数据集。我们提出了IrisGeneral数据集，设计了三种评估协议，并引入了Masked-MoE方法，通过随机掩蔽部分令牌来提高模型的泛化能力，实验结果表明，该方法在IrisGeneral数据集上实现了最佳性能。
本文介绍了一种新的方法，通过在视频层面上以度量为基础的方式来增强数据域广义化中的反欺骗性能。研究结果显示，扩大模型的骨干网络并不能改善模型的不稳定性，因此提出了一种集成骨干网络的方法，并利用不确定性测量的优势来提升模型的泛化能力。通过在多个数据集上的评估，该方法在偏差、方差、HTER和AUC等指标上超过了现有方法。
