PHƯƠNG PHÁP TỔNG HỢP ĐẶC TRƯNG VÀ HỌC TƯƠNG PHẢN CHO BÀI TOÁN CHỐNG GIẢ MẠO KHUÔN MẶT

Abstract

Chống giả mạo khuôn mặt (Face Anti-Spoofing, viết tắt là FAS) là một phương thức quan trọng trong các hệ thống nhận dạng khuôn mặt giúp bảo vệ và nhận dạng đúng người. Những năm gần đây, các thuật toán phát hiện giả mạo khuôn mặt được phát triển mạnh mẽ ngay cả trong các trường hợp chưa đưa vào huấn luyện mô hình thuật toán. Tuy nhiên, các mô hình thuật toán học sâu này còn khá cơ bản nên trong nhiều trường hợp mô hình vẫn chưa phát hiện được sự giả mạo khuôn mặt. Gần đây, một số mô hình đã học tập dựa trên các tín hiệu pixel để xử lý nhiệm vụ FAS. Vì vậy, trong bài báo này, chúng tôi đưa ra một phương pháp đánh giá mới với tên gọi FACL (Feature Aggregation and Constrastive Learning) dựa trên các đặc trưng thông tin của ảnh khuôn mặt đầu vào và học tương phản. Các thử nghiệm chúng tôi xây dựng trên hai bộ dữ liệu: (1) Bộ dữ liệu của PTIT; và (2) Bộ dữ liệu của Zalo mang lại các kết quả tốt và hiệu quả hơn một số phương pháp hiện có. Ngoài ra, các nghiên cứu của chúng tôi cũng chứng minh mang tính hiệu quả khi mô hình học tập các lớp pixel khác nhau và đồng thời để cung cấp các thông tin chuyên sâu giúp giám sát việc chống giả mạo khuân mặt.