Defesa de Mestrado de Waldir Rodrigues de Almeida

Título do Trabalho
Data-driven Face Presentation-Attack Detection in Mobile Devices
Candidato(a)
Waldir Rodrigues de Almeida
Nível
Mestrado
Data
Add to Calender 2018-01-25 00:00:00 2018-01-25 00:00:00 Defesa de Mestrado de Waldir Rodrigues de Almeida Data-driven Face Presentation-Attack Detection in Mobile Devices Sala 85 - IC 2 INSTITUTO DE COMPUTAÇÃO mauroesc@ic.unicamp.br America/Sao_Paulo public
Horário
13:30 hora
Local
Sala 85 - IC 2
Orientador(a)
Anderson de Rezende Rocha
Banca Examinadora

Titulares  -  Professores Doutores

Unidade/Instituição

Anderson de Rezende Rocha

IC/UNICAMP

Adam Czajka

CSE / University of Notre Dame

Hélio Pedrini

IC/UNICAMP

 

Suplentes  -  Professores Doutores

Unidade/Instituição

Sandra Eliza Fontes de Avila

IC/UNICAMP

Márjory Cristiany da Costa Abreu

DIMAp/UFRN

Resumo

Com o crescimento e popularização de tecnologias de autenticação biométrica, tais como aquelas baseadas em reconhecimento facial, aumenta-se também a motivação para se explorar ataques em nível de sensor de captura ameaçando a eficácia dessas aplicações em cenários reais. Um desses ataques se dá quando um impostor, desejando destravar um celular alheio, busca enganar o sistema de reconhecimento facial desse dispositivo utilizando uma foto do usuário alvo. Neste trabalho, estudamos o problema de detecção automática de ataques de apresentação ao reconhecimento facial em dispositivos móveis, considerando o caso de uso de destravamento rápido e as limitações desses dispositivos. Não assumimos o uso de sensores adicionais, ou intervenção consciente do usuário, dependendo apenas da imagem capturada pela câmera frontal em todos os processos de decisão. Nossas contribuições estão em diferentes aspectos do problema. Primeiro, coletamos um dataset de ataques de apresentação que foi especificamente projetado para o cenário alvo, possuindo variações realistas de iluminação, incluindo sessões ao ar livre e de baixa luminosidade, ao contrário dos datasets públicos disponíveis na literatura. Em seguida, para enriquecer o entendimento do que podemos esperar de métodos baseados puramente em software, adotamos uma abordagem guiada pelos dados em que as características determinantes para o problema são aprendidas dos dados a partir de redes convolucionais, diferenciando-se de abordagens tradicionais baseadas em conhecimentos específicos de aspectos do problema. Propomos três diferentes formas de treinamento da rede convolutional profunda desenvolvida para detectar ataques de apresentação: treinamento com faces inteiras e alinhadas, treinamento com patches (regiões de interesse) de resolução variável, e treinamento com uma função objetivo projetada especificamente para o problema. Usando uma arquitetura leve como núcleo da nossa rede, mostramos que a solução desenvolvida pode ser executada diretamente em celulares disponíveis no mercado no ano de 2017. Adicionalmente, fazemos uma análise que considera protocolos inter-fatores e disjuntos de usuário, destacando alguns dos problemas com datasets e abordagens atuais. Nossos experimentos no benchmark OULU-NPU, proposto recentemente e usado em uma competição internacional, sugerem que nossos métodos se comparam favoravelmente ao estado da arte, e estariam entre os melhores na competição mesmo com a condição de pouco uso de memória e recursos computacionais limitados. Finalmente, para melhor adaptar a solução a cada usuário, propomos uma forma efetiva de usar uma galeria de dados do usuário para adaptar os modelos ao usuário e ao dispositivo usado, aumentando sua eficácia no cenário operacional.