在本文中，我们考虑了面部变形攻击的挑战，这大大破坏了面部识别系统的完整性，例如在边境保护机构中采用的那些。变形检测可以制定为提取细粒度的表示，其中利用局部鉴别特征来学习假设。为了在不同的粒度和去耦的光谱信息中获取辨别特征，我们利用小波域分析来深入了解变形面的空间频率含量。这样，而不是使用RGB域中的图像，我们使用2D小波分解将每个图像分解为其小波子频带，并且采用深度监督特征选择方案来查找输入图像的最辨别的小波子带。为此，我们使用变形和真绒图像的分解小波子带训练深度神经网络（DNN）变形探测器。在训练阶段，我们的结构群稀疏受约束的DNN从所有子带中选择了最多的鉴别性小波子带，我们恢复了我们的DNN，导致在探测器上实现了推理时的变形图像的精确检测图片。通过结构化组套索增强的深形变形探测器的功效通过三个面部变形图像数据库，即Visapp17，LMA和摩根进行了验证了通过实验验证。
translated by 谷歌翻译
变形是为了创建一个包含无论是个人的特点一个新的身份在图像中两个或多个学科相结合的过程。演变图像可以骗过面部识别系统（FRS）为虚假接受多人，导致国家安全故障。由于演变图像合成变得更容易，至关重要的是要研究界的可用数据扩展，以协助打击这种困境。在本文中，我们探索的两种方法音素变形图像生成，这些几何变换（翘曲和混合以产生变形的图像）和光度扰动组合。我们利用这两种方法来从FERET，FRGC和FRLL数据集高品质adversarially扰动变种。最终图像保留高相似两个输入受试者从而在视觉域最小伪像一段时间。图像通过融合来自两个外观类似主题小波子带合成，然后adversarially扰乱创建高度说服力的形象欺骗人类和深变形探测器。
translated by 谷歌翻译