Recapture detection of face and document images is an important forensic task. With deep learning, the performances of face anti-spoofing (FAS) and recaptured document detection have been improved significantly. However, the performances are not yet satisfactory on samples with weak forensic cues. The amount of forensic cues can be quantified to allow a reliable forensic result. In this work, we propose a forensicability assessment network to quantify the forensicability of the questioned samples. The low-forensicability samples are rejected before the actual recapturing detection process to improve the efficiency of recapturing detection systems. We first extract forensicability features related to both image quality assessment and forensic tasks. By exploiting domain knowledge of the forensic application in image quality and forensic features, we define three task-specific forensicability classes and the initialized locations in the feature space. Based on the extracted features and the defined centers, we train the proposed forensic assessment network (FANet) with cross-entropy loss and update the centers with a momentum-based update method. We integrate the trained FANet with practical recapturing detection schemes in face anti-spoofing and recaptured document detection tasks. Experimental results show that, for a generic CNN-based FAS scheme, FANet reduces the EERs from 33.75% to 19.23% under ROSE to IDIAP protocol by rejecting samples with the lowest 30% forensicability scores. The performance of FAS schemes is poor in the rejected samples, with EER as high as 56.48%. Similar performances in rejecting low-forensicability samples have been observed for the state-of-the-art approaches in FAS and recaptured document detection tasks. To the best of our knowledge, this is the first work that assesses the forensicability of recaptured document images and improves the system efficiency.
翻译:重新发现面部和文件图像是一项重要的法医任务。随着深层次的学习,面部防伪(FAS)和重新获取的文件检测的性能有了显著的改善。然而,在法医线索薄弱的样本上,表现尚不令人满意。法医线索的数量可以量化,以得出可靠的法医结果。在这项工作中,我们提议了一个法医评估网络,以量化被询问样品的可法医性。低敏感度样本在实际恢复检测进程之前被否决,以提高重新获取检测系统的效率。我们首先提取了与图像质量评估和法医任务相关的可法医特征。通过利用图像质量和法医特征方面的法医应用的域知识,我们确定了三个特定任务可判读性课程和特征空间的初始位置。根据提取的特征和定义的中心,我们用跨流压损失来培训法医评估网络(FNet),并以基于动力的更新方法更新中心。我们把经过培训的FANet与实际再恢复的图像检测计划结合起来,在面临反图像质量评估和法医高级任务中,75 将FAS的常规测试结果转化为测试结果,在测试中,在测试中,将SARIS IM IM IM IM IM IM IM IM IM IM IM 的正常 IM IM IM IM IM IM IM IM 的正常 IM IM IM 的检测中,在不断 IM IM IM IM IM 测试 的 的 的 的 的 的 的 IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM 的 的 IM IM IM IM IM IM IM IM IM IM IM IM 的 的 的 的 的 的 的 的 的 的 的 的 的 IM 的 的 的 的 的 的 的 的 的 SA SA 的 的 的 的 的 的 SA SA 的 的 的 的 的 的 的 的 的 的 的 正在 SA SA 的 SA SA 的 的 的 的 的 的