论文标题

Multi-Domain Incremental Learning for Face Presentation Attack Detection 跨域增量学习用于人脸呈现攻击检测

论文链接

Multi-Domain Incremental Learning for Face Presentation Attack Detection论文下载

论文作者

Keyao Wang, Guosheng Zhang, Haixiao Yue, Ajian Liu, Gang Zhang, Haocheng Feng, Junyu Han, Errui Ding, Jingdong Wang

内容简介

本文提出了一种多域增量学习（MDIL）方法，用于人脸呈现攻击检测（PAD），旨在解决在真实场景中由于数据隐私等原因导致的原始训练数据不可用的问题。传统的PAD方法在微调单一目标域数据时可能会导致灾难性遗忘，失去先前学习的知识。为此，本文提出了自适应域特定专家（ADE）框架，利用视觉Transformer来保持先前域的可区分性，并通过非对称分类器确保不同分类器的输出分布一致，从而提高模型的泛化能力。实验结果表明，所提方法在增量学习任务中表现优异，能够在更严格的条件下接近或超越现有的领域自适应（DA）和领域泛化（DG）方法。

分点关键点

1. 多域增量学习方法

   • 本文提出的MDIL方法能够在不访问旧域数据的情况下，稳定地学习新域知识并保持先前域的性能。通过自适应域特定专家框架，模型能够有效应对不同域之间的知识转移问题。

2. 自适应域特定专家框架

   • ADE框架通过隔离域特定参数和共享域不变参数，确保不同域的知识独立性，同时利用相似域之间的共享知识来增强模型的泛化能力。该框架在推理阶段能够自适应选择相关的专家分支。

3. 非对称分类器设计

   • 为了解决多分类器之间预测概率分布不一致的问题，本文设计了一个统一的非对称分类器。该分类器使用共享的类别中心来表示活体样本，而将来自不同域的伪造样本视为独立类别，从而提高了预测的一致性。

4. 实验结果与性能评估

   • 大量实验在广泛使用的基准数据集上进行，结果表明所提方法在增量学习任务中达到了最先进的性能，能够有效应对新域的挑战，并在多个任务中超越了现有的增量学习方法。

中文关键词

1. 跨域增量学习
2. 人脸呈现攻击检测
3. 自适应域特定专家
4. 非对称分类器
5. 泛化能力
6. 数据隐私

AAAI论文合集：

AAAI论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！