Architectural Bias in Face Presentation Attack Detection: A Comparative Study of Vision Transformers and Convolutional Neural Networks

Imaginez que vous construisez un garde de sécurité de haute technologie pour une banque. Le travail de ce garde est de regarder votre visage et de décider : « Est-ce une vraie personne, ou une fausse photo, une vidéo ou un masque ? » C'est ce qu'on appelle la Détection d'Attaque de Présentation Faciale (PAD).

Le problème est que ce garde de sécurité a été biaisé. Par le passé, il était excellent pour repérer les faux pour les personnes à la peau claire, mais il se laissait souvent confondre et commettait des erreurs avec les personnes à la peau plus foncée. C'était comme un garde qui ne reconnaissait que la texture d'un certain type de tissu et qui échouait à identifier le même motif sur un matériau différent.

Cette étude pose une question simple : Pouvons-nous construire un garde de sécurité plus intelligent en utilisant un nouveau type de cerveau (appelé Vision Transformer) qui traite tout le monde équitablement, comparé à l'ancien type de cerveau (appelé Réseau de Neurones Convolutifs ou CNN) ?

Voici l'histoire de ce qu'ils ont découvert, expliquée simplement :

1. L'Ancien Garde vs Le Nouveau Garde

• L'Ancien Garde (CNN/ResNet18) : Imaginez ce garde comme quelqu'un qui examine un visage en observant de minuscules zones locales de la peau, comme si l'on regardait une mosaïque carreau par carreau. Ils sont très doués pour reconnaître la « texture » spécifique de la peau sur laquelle ils ont été entraînés. Mais s'ils voient un nouveau type de peau qu'ils n'ont pas encore vu (comme une autre ethnie), ils sont confus. Ils commencent à penser que des personnes réelles sont des faux parce que la « texture » semble différente.
• Le Nouveau Garde (Vision Transformer/DeiT-S) : Ce garde regarde le visage entier à la fois, comme si l'on regardait une peinture pour voir la vue d'ensemble et la forme globale, plutôt que de se concentrer uniquement sur les petits coups de pinceau. Ils sont entraînés pour comprendre la structure globale d'un visage, et non pas seulement les détails minuscules de la texture de la peau.

2. L'Expérience : Un Test d'Équité

Les chercheurs ont testé ces gardes sur un ensemble de données appelé CeFA, qui comprend des personnes de trois groupes ethniques différents : Africain, Est-Asiatique et Cent-Asiatique.

• L'Entraînement : Ils ont enseigné aux gardes en utilisant des visages Africains et Est-Asiatiques.
• Le Test Surprise : Ils ont ensuite testé les gardes sur des visages Cent-Asiatiques, que les gardes n'avaient jamais vus auparavant. C'est comme donner à un étudiant un examen de mathématiques sur un sujet qu'il a étudié, mais en lui demandant de résoudre un problème dans une langue qu'il n'a jamais entendue.

3. Les Résultats : Qui a Réussi le Test ?

La Tentative « À partir de zéro » (Le Novice)
D'abord, ils ont essayé de construire un nouveau garde à partir de zéro, sans connaissances préalables.

• Résultat : Ce garde était instable. Parfois il était excellent ; d'autres fois, il était terrible. Il traitait beaucoup plus mal les personnes à la peau foncée que les personnes à la peau claire. C'était comme un garde novice qui panique et fait des erreurs aléatoires.

L'Ancien Garde (ResNet18)

• Performance : Il a fait un travail décent sur les personnes qu'il connaissait (Africains et Est-Asiatiques).
• L'Échec : Lorsqu'il a vu les visages Cent-Asiatiques inédits, il a échoué lamentablement. Il a rejeté 10,44 % de personnes réelles, pensant qu'elles étaient des faux.
• L'Analogie : Imaginez un videur qui connaît parfaitement votre visage. Mais quand vous amenez un ami avec un style légèrement différent, le videur pense que votre ami est un imposteur et l'expulse. Cela crée un système injuste à « deux vitesses » où certains entrent facilement et d'autres sont constamment bloqués.

Le Nouveau Garde (DeiT-S)

• Performance : Ce garde a été la star du spectacle.
  • Précision : Il était le plus précis globalement (97,27 % de réussite).
  • Équité : La différence de traitement entre les personnes Africaines et Est-Asiatiques était presque nulle (un écart de seulement 0,13 %).
  • Le Test de l'« Inconnu » : Lorsqu'il a rencontré les visages Cent-Asiatiques qu'il n'avait jamais vus, il n'a rejeté que 2,89 % de personnes réelles.
• L'Analogie : Ce garde a regardé la forme du visage et la structure des traits. Même si la carnation et la texture de la peau étaient différentes de celles pour lesquelles il avait été entraîné, il a reconnu : « Ceci est un vrai visage humain », et les a laissés entrer. Il était 3,6 fois meilleur pour gérer de nouveaux groupes que l'ancien garde.

4. La Grande Conclusion

L'article conclut que la conception du cerveau compte.

• Ancien Design (CNN) : Se concentre sur les textures locales. Si la texture de la peau change (en raison de l'ethnie ou de l'éclairage), le système est confus et devient injuste.
• Nouveau Design (Vision Transformer) : Se concentre sur les formes globales et les relations. Il est moins perturbé par les différences de texture de la peau et se concentre sur la vue d'ensemble : « est-ce un visage ? »

Pourquoi est-ce important ?
Les chercheurs ont découvert qu'en changeant simplement pour ce nouveau type de « cerveau » (le Vision Transformer, plus précisément un modèle pré-entraîné appelé DeiT-S), ils n'ont pas seulement obtenu un garde plus intelligent ; ils ont obtenu un garde plus juste. Il commet moins d'erreurs pour les personnes à la peau foncée et, surtout, il ne panique pas lorsqu'il rencontre des personnes issues de groupes ethniques qu'il n'a jamais rencontrés auparavant.

En bref : L'article suggère que si nous voulons des systèmes de sécurité qui fonctionnent de manière égale pour tout le monde, quels que soient la couleur de peau ou l'origine, nous devrions arrêter d'utiliser les anciens cerveaux « focalisés sur la texture » et commencer à utiliser les nouveaux Vision Transformers « focalisés sur la structure globale ».