Klasifikace živosti tváří s detekcí dat mimo distribuci

Abstract

Cílem této diplomové práce je zvýšit přesnost modelů pro klasifikaci živosti tváří založených na obrazovém Transformeru při odhalování prezentačních útoků. Diplomová práce využívá detekci dat mimo distribuci k odfiltrování obrázků, které se příliš liší od tréninkové sady dat označovaných jako data v distribuci. Zkoumá se, jak úspěšně různé metody identifikují rozdílné distribuce dat a jak odfiltrování dat mimo distribuci na základě těchto metod ovlivňuje přesnost modelu. Pomocí relativní Mahalanobisovy vzdálenosti je možné dosáhnout hodnoty AUROC 97.6 % při rozlišování dat v distribuci a mimo ni. Odfiltrováním obrázků, které by neměly být klasifikovány, se zvýší přesnost všech testovaných modelů nad 99.9 %. To může poskytnout další vrstvu zabezpečení pro aplikace proti útokům využívajícím podvržení tváří.This thesis aims to improve the accuracy of Vision Transformer-based face anti-spoofing models in detecting presentation attacks. The thesis uses out-of-distribution detection to filter out images that are too different from the training data, referred to as in-distribution. It examines how successful different methods are in identifying different data distributions, and how the filtering of out-of-distribution data based on these methods affects the accuracy of the model. Using the relative Mahalanobis distance, an AUROC of 97.6% can be achieved when distinguishing between in-distribution and out-of-distribution data. Filtering out images that should not be classified increases the accuracy of all tested models to over 99.9%. This can provide an additional layer of security for applications against face spoofing attacks.