Dissertação
Multi-adversarial Domain Generalization to Improve Face Recognition Reliability EVALUATED
Reconhecimento facial é uma das técnicas mais populares atualmente, constituindo a primeira barreira de segurança em dispositivos como "smartphones" e "tablets", tornando assim os sistemas de reconhecimento facial vulneráveis a ataques. Uma das principais vulnerabilidades são os ataques de apresentação facial, que se têm tornado mais complexos e imprevisíveis ao longo dos anos. O desafio de detetar estes ataques levou ao aparecimento de soluções baseadas em deteção de vivacidade, aparência facial, informação contextual e soluções baseadas em técnicas de aprendizagem profunda. Um dos tópicos que tem sido amplamente explorado para reconhecer estes ataques é o tópico da generalização de domínios. Este trabalho foca-se numa solução deste tipo. A abordagem adotada apoia-se numa solução já existente, que treina um modelo com ataques de apresentação faciais observados em condições diferentes, para ser capaz de generalizar a outras condições de aquisição. O trabalho presente propõe uma reorganização dos domínios de origem juntamente com uma função de perda "triplet loss" que se enquadra melhor com a proposta de reorganização de domínios apresentada. As experiências foram conduzidas em quatro bases de dados públicas. A solução proposta inclui uma reorganização de domínios e uma função de perda "triplet loss" mais adequada, alcançando um desempenho de nível semelhante quando testado com a base de dados REPLAY-ATTACK e ultrapassando o desempenho da arquitetura base com as bases de dados CASIA e MSU. Trabalho futuro inclui ideias que pretendem complementar a solução proposta com um algoritmo de deteção de vivacidade e uma solução que aborda tipos de ataque desconhecidos.
novembro 18, 2021, 10:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Paulo Luís Serras Lobato Correia
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado