VISER: Visually-Informed System for Enhanced Robustness in Open-Set Iris Presentation Attack Detection

Título: VISER: Sistema Visualmente Informado para Robustez Aprimorada na Detecção de Ataques de Apresentação de Íris em Cenário Aberto (Open-Set)

1. Problema e Contexto

A detecção de ataques de apresentação (PAD) em íris é crucial para a segurança de sistemas biométricos, especialmente em aplicações críticas como controle de fronteiras e autenticação financeira. No entanto, os modelos atuais enfrentam desafios significativos em cenários de conjunto aberto (open-set), onde o sistema deve generalizar para tipos de ataques nunca vistos durante o treinamento (ex: novos materiais sintéticos ou técnicas de impressão).

A literatura sugere que o uso de saliência humana (mapas de atenção que indicam onde um especialista foca para tomar uma decisão) pode melhorar a robustez e a generalização dos modelos de aprendizado profundo. Contudo, existe uma lacuna de conhecimento sobre qual forma de saliência humana é mais eficaz para o PAD de íris:

• Anotações manuais: Feitas via cliques de mouse ou caixas delimitadoras (saliência de segunda ordem, baseada em intenção motora).
• Rastreamento ocular (Eye Tracking): Dados contínuos de fixação do olhar (saliência de primeira ordem, fisiológica).
• Máscaras de segmentação: Limites da região da íris.

O artigo questiona se o rastreamento ocular, apesar de ser mais ruidoso, oferece melhor generalização do que anotações manuais ou modelos de base (foundation models) modernos.

2. Metodologia

Os autores propõem o VISER, um sistema que compara diferentes modalidades de saliência e abordagens de treinamento sob um paradigma de validação rigoroso: deixar um tipo de ataque de fora (leave-one-attack-type-out).

• Arquitetura Base: Utiliza-se o DenseNet-121 (arquitetura D-NetPAD) como baseline, treinado com perda de entropia cruzada padrão (XENT).

• Paradigma de Treinamento Guiado por Saliência: Para as configurações experimentais, a função de perda é modificada para incluir um termo de Erro Quadrático Médio (MSE) que alinha o Mapa de Ativação de Classe (CAM) do modelo com o mapa de saliência alvo (ground truth).

• Modalidades de Saliência Testadas:

  1. Máscaras de Segmentação: Regiões da íris (baseline de saliência simples).
  2. Anotações Manuais: Dados de estudo humano, testados em três níveis de entropia (baixa, igual e alta) via desfoque gaussiano para controlar a granularidade.
  3. Rastreamento Ocular (Eye Tracking):
     • Full Eye Tracking: Dados de todo o período de avaliação.
     • Initial Eye Tracking: Dados apenas da primeira impressão do avaliador.
     • De-noising: Aplicação do algoritmo de agrupamento HDBSCAN para filtrar ruídos (micro-sacadas, tremores) e criar mapas de calor mais limpos.
  4. Modelos de Base (Foundation Models): Uso de embeddings do DINOv2-Base combinados com classificadores tradicionais (LogReg, SVM-Linear, SVM-RBF) sem treinamento guiado por saliência.

• Métricas de Avaliação:

  • AUROC: Área sob a curva ROC (maior é melhor).
  • APCER @ BPCER 1%: Taxa de Erro de Classificação de Apresentação de Ataque quando a Taxa de Erro de Classificação de Apresentação Bona Fide é fixada em 1% (menor é melhor).

3. Principais Contribuições

1. Comparação Abrangente de Saliência: O primeiro estudo a comparar diretamente anotações manuais, dados de rastreamento ocular e máscaras de segmentação para PAD de íris em cenário aberto.
2. Método de Remoção de Ruído (De-noising): Proposição de um pipeline utilizando HDBSCAN para limpar mapas de calor de rastreamento ocular, demonstrando que a limpeza dos dados fisiológicos melhora o desempenho do modelo.
3. Benchmarking com Foundation Models: Avaliação comparativa entre modelos guiados por saliência humana e embeddings de modelos de visão gerais (DINOv2) em tarefas de PAD.
4. Reprodutibilidade: Disponibilização de códigos, pesos de modelos e mapas de saliência para a comunidade de pesquisa.

4. Resultados Chave

Os experimentos foram realizados com 7 tipos de ataques (ex: lentes de contato texturizadas, impressões, olhos artificiais, imagens sintéticas) em um cenário de validação cruzada onde um tipo de ataque era excluído do treinamento.

• Resposta à RQ1 (Generalização): O Rastreamento Ocular superou consistentemente as anotações manuais e as máscaras de segmentação.

  • O método De-noised Initial ET (Rastreamento Ocular Inicial Desruído) obteve a melhor melhoria no AUROC (+0.0608) e na APCER (-0.1063) em relação à baseline XENT.
  • Anotações manuais e máscaras de segmentação falharam em superar a baseline na métrica APCER @ 1%.

• Resposta à RQ2 (Saliência vs. Foundation Models): O treinamento guiado por saliência (especificamente com eye tracking) superou as soluções baseadas em modelos de fundação (DINOv2).

  • Apenas uma variante do DINOv2 (SVM-RBF) mostrou melhoria marginal no AUROC, mas falhou em melhorar a APCER.
  • Os métodos de eye tracking mostraram melhorias robustas em ambos os indicadores, indicando que a orientação humana explícita é mais eficaz para generalização em cenários abertos do que embeddings genéricos de modelos de visão.

• Resposta à RQ3 (Efeito do De-noising): A remoção de ruído foi benéfica, mas dependente da fase de coleta.

  • Para o Initial Eye Tracking, o desruído melhorou significativamente o desempenho.
  • Para o Full Eye Tracking, o desruído não trouxe ganhos e, em alguns casos, degradou levemente o desempenho em comparação ao mapa bruto.

• Observações Específicas:

  • O método "De-noised Initial ET" obteve ganhos massivos em ataques de "impressões" (printouts) e "olhos artificiais".
  • As anotações manuais sofreram com o "gargalo de planejamento motor", onde os avaliadores podem ter focado em características menos relevantes para atingir um número arbitrário de regiões a destacar, ignorando texturas sutis capturadas naturalmente pelo olhar.

5. Significado e Conclusão

O artigo VISER estabelece que, para a detecção de ataques de apresentação de íris em cenários abertos, mapas de calor derivados de rastreamento ocular (especialmente a fase inicial e desruídos) são superiores às anotações manuais e a modelos de base genéricos.

A descoberta de que a saliência fisiológica (olhar) supera a saliência motora (mouse) sugere que o processo de tomada de decisão humana para segurança biométrica envolve padrões de atenção subconscientes e sutis que são perdidos quando os humanos tentam descrever explicitamente o que viram. Além disso, a eficácia do desruído via HDBSCAN demonstra que dados fisiológicos brutos podem ser otimizados para treinamento de IA.

Este trabalho oferece um novo estado da arte (SOTA) para PAD de íris e fornece ferramentas e dados para que futuras pesquisas explorem a integração de sinais humanos em sistemas de segurança biométrica, promovendo modelos mais robustos e confiáveis.