一個用於進行面部識別表現攻擊檢測（PAD）研究的新數據集已由來自IDNOW和IDIAP研究所。 IDIAP研究人員還創建了另一個，以幫助推進VR耳機上的眼周生物識別墊。
研究人員說：“當前的PAD方法通常對數據域敏感，部分原因是訓練PAD數據集的局限性。”這些局限性是由於尋找足夠的同意數據使用的挑戰所造成的，並具有弱化的結果，而概括是“目前是PAD社區面臨的主要挑戰”。
新的Soteria數據集在有關“一個小說和負責的數據集用於移動設備上的面部表現攻擊檢測。 ”根據研究人員的說法，數據集由面部視頻，運動數據，深度信息和样本組成，這些攻擊是新穎的。
該項目得到了歐盟Horizon 2020項目的資金支持。
研究人員通過評估SOTA面部識別模型（IRESNET100）來證明Soteria數據集的價值，以了解數據集中所示的攻擊方法的脆弱性。本文還分析了SOTA PAD模型（DeeppixBis）。
分析表明，數據集中的攻擊對IRESNET100模型有效，這表明它們足以擊敗當代面部生物識別系統。
在PAD側，研究人員使用Soteria和其他兩個數據集訓練DeeppixBis模型。通過APCER（攻擊表現分類錯誤率）衡量，用Sotreia訓練它可實現良好的跨數據庫性能。當模型在其他兩個數據集上訓練時，跨數據庫的性能比內部apcer差。對Soteria訓練的模型實際上並未達到有用的檢測水平，但是，BPCer（善意分類錯誤率）超過55％，將APCER設置為1％，這意味著超過一半的實際生物識別表現被拒絕。
預計使用新數據集的進一步工作將評估不同記錄設備和環境的影響以及運動挑戰對PAD的影響以及基於性別的績效差異。
VR中的身份驗證
IDIAP研究人員還發表了一篇有關生物識別驗證和PAD的論文，該論文介紹了用Meta Quest Pro VR耳機收集的視頻數據集。
生物識別VRBIOM數據集由十秒鐘的視頻組成；他們中的900人是真正的和1,104次演示攻擊。
“評估在虛擬現實設備上生物識別驗證的可靠性”提出了基線性能指標，但還表明眼周生物特徵可能會在VR耳機上欺騙。
研究人員使用新數據集使用了Resnet34和MobileFaceNet卷積神經網絡（CNN）架構，發現後者對PAD更有效。但是，與上面的墊紙中的發現類似，設置低pcer會導致幾乎所有其他真正的善意表現都被拒絕。
這兩篇論文將在IEEE國際生物識別技術聯合會議上發表（IJCB 2024），將於今年9月在紐約布法羅舉行。
