已经开发出大量深度神经网络的技术来解决面部呈现攻击检测（焊盘）的具有挑战性问题。然而，这种技术的重点是在分类准确性方面提高了PAD性能，而对看不见的攻击和环境条件的鲁棒性，则对垫预测的解释性有所关注。在本文中，我们通过自然语言解决解释垫预测的问题。我们的方法将深层层模型的特征表示传递给语言模型，以生成描述垫预测后面的推理的文本。由于我们研究中的注释数据量有限，我们将轻量级LSTM网络应用为我们的自然语言生成模型。我们调查生成的解释的质量如何受到不同损失函数的影响，包括常用的字样跨熵损失，句子歧视性损失和句子语义损失。我们使用由1,105个BONA-FIDE和924个演示攻击样本组成的数据集的面部图像来执行我们的实验。我们的定量和定性结果表明了我们的模型通过文本生成适当的焊盘解释以及句子损失的力量。据我们所知，这是第一次引入联合生物识别-NLP任务。我们的数据集可以通过我们的GitHub页面获取。
translated by 谷歌翻译