Hyp-OC: Hyperbolic One Class Classification for Face Anti-Spoofing

人脸识别技术已经成为现代安全系统和用户认证过程的重要组成部分。然而，这些系统容易受到欺骗攻击，很容易被规避。先前的人脸反欺骗（FAS）研究大多将其视为一个双分类任务，其中模型在真实样本和已知欺骗攻击上进行训练，并在未知欺骗攻击的检测性能上进行测试。然而，在实践中，FAS应该被视为一个单分类任务，在训练过程中，不能假定任何关于欺骗样本的先验知识。在本文中，我们从单类的角度重新制定了人脸反欺骗任务，并提出了一种新的双曲一类分类框架。为了训练我们的网络，我们使用了从高斯分布中采样的伪负类，并提出了两种新的损失函数：（1）Hyp-PC：双曲线配对混淆损失，以及（2）Hyp-CE：双曲线交叉熵损失，这两种函数在双曲线空间中运行。此外，我们采用欧几里得特征剪辑和梯度剪辑来稳定双曲线空间中的训练。据我们所知，这是第一篇将双曲线嵌入扩展到单类人脸反欺骗的工作。通过在五个基准数据集上进行广泛的实验：Rose-Youtu、MSU-MFSD、CASIA-MFSD、Idiap Replay-Attack和OULU-NPU，我们证明了我们的方法显著优于现有技术，实现了更好的欺骗检测性能。

本论文试图从一类分类的角度重新构思人脸反欺诈任务，并提出一种新的双曲一类分类框架。这个框架可以在没有关于欺诈样本的先验知识的情况下进行训练。

本文提出了一种基于双曲空间的一类分类框架，用于人脸反欺诈任务。该框架使用了从高斯分布中采样的伪负类，提出了两种新的损失函数：双曲配对混淆损失和双曲交叉熵损失，并采用欧几里得特征剪辑和梯度剪辑来稳定训练。与现有方法相比，该方法在五个基准数据集上均取得了显著的性能提升。

本文的实验使用了五个基准数据集，并且在这些数据集上均取得了显著的性能提升。本文提出的方法在一类分类的情况下进行训练，并且不需要关于欺诈样本的先验知识。本文提出了一种新的基于双曲空间的一类分类框架，可以用于人脸反欺诈任务。

最近的相关研究包括：1. Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision；2. Face Anti-spoofing Based on Patch and Depth Reconstruction；3. Learning Face Anti-Spoofing from Scratch。