Unbiased benchmarks for domain generalization in face anti-spoofing

Abstract

Resumo: Face spoofing consiste em simular características biométricas faciais de uma pessoa de maneira a personificá-la em um sistema de reconhecimento facial (por exemplo, em aplicações de pagamento digital e mídia social). Detecção de vivacidade facial ou face anti-spoofing (FAS) é o problema de reconhecer ataques como estes. Atualmente o estado da arte nesta tarefa é dominado por modelos de aprendizagem profunda, que requerem uma grande quantidade de dados para seu treinamento. Apesar da dificuldade em se obter estes dados (devido à sua especificidade e sensibilidade), poucos trabalhos se aprofundam no uso de aumentação de dados especificamente para esta tarefa, o que poderia facilitar o enriquecimento do conjunto de treino e fortalecer o desempenho de modelos atuais. Este trabalho propõe uma técnica de aumentação de dados específica para FAS, Landmark Exchange, para melhorar o treino de modelos. Além disso, nós destacamos a presença de viés para o conjunto de teste em benchmarks de generalização de domínio (DG) em FAS que ocorre com o uso de dados de teste para validação em cada época. Mostramos que performance em benchmarks enviesados não implica em capacidade de generalização, e propomos alternativas não-enviesadas que melhoram resultados do estado da arte

Abstract: Face spoofing consists of simulating a person’s facial biometric traits in order to impersonate them in a face recognition system (for example, in digital payment and social media applications). Face liveness detection or face anti-spoofing (FAS) is the problem of recognizing such attacks. The state of the art in this task is currently dominated by deep learning models, which require large amounts of training data. Despite the difficulty in collecting data (due to its specificity and sensibility), few works explore the usage of data augmentation specifically for this task, even though this could provide easy enrichment of training datasets and strengthen model performance. This work proposes a FAS-specific data augmentation technique, Landmark Exchange, to enhance model training. Furthermore, we shine light on how current Domain Generalization (DG) benchmarks in FAS are biased towards the test set by using test data for validation at every epoch. We show that performance on these biased benchmarks does not imply on generalization capability, and propose unbiased alternatives that enhance results for the state of the art