基于自适应增量学习的人脸融合攻击检测

摘要

人脸融合图像能够对人脸识别安全系统构成重大威胁.现有的大多数融合攻击检测（MAD）方法依赖于大量训练数据，然而，由于训练数据的多样性不足，导致模型在应对新型融合图像时检测精度往往显著下降，限制了其在实际应用中的泛化能力和适应性.此外，现有研究还受到融合数据集规模和隐私保护政策的制约.为解决这些问题，本文提出了一种增量式的融合攻击检测框架，通过少量新样本的增量学习来提高MAD模型在不同任务和数据域中的泛化能力.为训练该框架，本文使用多种人脸融合攻击方法构建了一个大规模的合成数据集，并引入监督对比学习来捕捉真实图像与融合图像之间的决策边界信息，实现领域不变特征的学习.同时，设计了一个基于原型学习的新损失函数，通过约束新旧任务中真实类原型之间的距离，自适应调整决策边界，避免学习新样本时决策边界发生显著偏移.此外，本文通过多级知识蒸馏和重放机制，选择旧样本中的中心样本和难分类样本动态更新重放集，以减轻灾难性遗忘现象.大量实验结果表明，本文方法在模型检测精度和泛化能力方面，显著优于当前主流基线方法 .

关键词

人脸融合攻击检测 / 增量学习 / 对比学习 / 原型学习