Towards Iris Presentation Attack Detection with Foundation Models

📄 arXiv: 2501.06312v1 📥 PDF

作者: Juan E. Tapia, Lázaro Janier González-Soler, Christoph Busch

分类: cs.CV

发布日期: 2025-01-10

💡 一句话要点

利用DinoV2和VisualOpenClip等预训练模型提升虹膜活体检测性能

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 虹膜识别 活体检测 预训练模型 DinoV2 VisualOpenClip 深度学习 迁移学习

📋 核心要点

  1. 虹膜活体检测面临数据量小、攻击手段多样等挑战，现有方法泛化能力不足。
  2. 论文提出基于DinoV2和VisualOpenClip等预训练模型进行虹膜活体检测，利用其强大的泛化能力。
  3. 实验表明，通过微调预训练模型，并在其上添加小型神经网络头部进行预测，性能超越了现有深度学习方法。

📝 摘要（中文）

由于在海量数据集上训练获得的强大泛化能力，预训练模型正变得越来越流行。这种泛化能力在近红外虹膜活体攻击检测(PAD)等领域极具吸引力，因为这些领域的数据库在主体数量和攻击工具的多样性方面受到限制，并且真实图像和攻击图像之间没有对应关系，因为大多数时候它们不属于同一主体。本研究探索了一种基于DinoV2和VisualOpenClip两种预训练模型的虹膜PAD方法。结果表明，通过小型神经网络作为头部进行微调预测，可以超越基于深度学习方法的现有技术水平。然而，如果真实图像和攻击图像可用，从头开始训练的系统仍然可以达到更好的结果。

🔬 方法详解

问题定义：虹膜活体检测旨在区分真实的虹膜图像和伪造的虹膜图像，以防止欺骗攻击。现有方法，特别是基于深度学习的方法，在训练数据有限的情况下泛化能力较差，难以应对各种各样的攻击手段。此外，真实虹膜图像和攻击图像通常不属于同一主体，这进一步增加了检测的难度。

核心思路：本研究的核心思路是利用预训练模型强大的泛化能力来克服虹膜活体检测中数据量小和攻击手段多样的问题。预训练模型在海量数据集上进行训练，学习到了丰富的图像特征表示，可以有效地提取虹膜图像的判别性特征，从而提高活体检测的准确率和鲁棒性。

技术框架：该方法的技术框架主要包括以下几个步骤：1) 选择合适的预训练模型，例如DinoV2和VisualOpenClip；2) 对预训练模型进行微调，使其适应虹膜活体检测任务；3) 在微调后的预训练模型上添加一个小型神经网络作为头部，用于最终的活体检测预测。整个流程可以看作是特征提取（预训练模型）+分类（小型神经网络）。

关键创新：本研究的关键创新在于将预训练模型应用于虹膜活体检测领域，并探索了不同的预训练模型和微调策略。与传统的从头开始训练的深度学习方法相比，该方法能够利用预训练模型学习到的通用图像特征，从而在数据量有限的情况下获得更好的性能。此外，该研究还探索了使用小型神经网络作为头部进行预测的方法，进一步提高了模型的效率和泛化能力。

关键设计：在实验中，研究人员选择了DinoV2和VisualOpenClip作为预训练模型。对于微调，使用了较小的学习率，以避免破坏预训练模型学习到的特征。小型神经网络头部通常包含几个全连接层，并使用ReLU激活函数。损失函数通常选择交叉熵损失函数，用于衡量预测结果与真实标签之间的差异。具体的网络结构和参数设置需要根据实际情况进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，基于DinoV2和VisualOpenClip等预训练模型的虹膜活体检测方法，通过微调和添加小型神经网络头部，可以超越基于深度学习方法的现有技术水平。虽然从头开始训练的系统在有充足的真实和攻击图像时可能表现更好，但预训练模型的方法在数据受限的情况下更具优势，为虹膜活体检测提供了一种新的有效途径。

🎯 应用场景

该研究成果可应用于各种需要虹膜识别的场景，例如门禁系统、身份验证、金融支付等。通过提高虹膜活体检测的准确性和鲁棒性，可以有效防止欺骗攻击，保障系统的安全性和可靠性。未来，该技术还可以与其他生物特征识别技术相结合，构建更加安全可靠的多模态身份认证系统。

📄 摘要（原文）

Foundation models are becoming increasingly popular due to their strong generalization capabilities resulting from being trained on huge datasets. These generalization capabilities are attractive in areas such as NIR Iris Presentation Attack Detection (PAD), in which databases are limited in the number of subjects and diversity of attack instruments, and there is no correspondence between the bona fide and attack images because, most of the time, they do not belong to the same subjects. This work explores an iris PAD approach based on two foundation models, DinoV2 and VisualOpenClip. The results show that fine-tuning prediction with a small neural network as head overpasses the state-of-the-art performance based on deep learning approaches. However, systems trained from scratch have still reached better results if bona fide and attack images are available.