Flow Augmentation and Knowledge Distillation for Lightweight Face Presentation Attack Detection

Resumo Técnico: Aumento de Fluxo e Destilação de Conhecimento para Detecção Leve de Ataques de Apresentação Facial

Declaração do Problema
A Detecção de Ataques de Apresentação Facial (FacePAD) permanece um desafio crítico devido à diversidade de métodos de falsificação, incluindo impressões 2D, ataques de replay, máscaras 3D, manipulação de maquiagem e oclusões físicas. Embora pistas de movimento sejam altamente discriminativas para distinguir rostos genuínos de tentativas de falsificação, métodos tradicionais que dependem de estimativa explícita de fluxo óptico introduzem uma sobrecarga computacional substancial. Essa dependência limita a implantação de sistemas FacePAD em tempo real em dispositivos de borda com recursos limitados, pois exigem blocos adicionais de extração de características e latência de inferência significativa.

Metodologia
Os autores propõem um framework que aproveita informações de movimento durante a fase de treinamento para aprimorar a modelagem de vivacidade, eliminando a necessidade de cálculo explícito de fluxo durante a inferência. A abordagem consiste em duas etapas principais:

1. Modelo Professor de Dupla Ramificação (Aumentado por Fluxo):

   • Arquitetura: Uma rede professora utiliza uma estrutura de dupla ramificação. Uma ramificação processa quadros RGB padrão, enquanto a segunda ramificação processa mapas de fluxo óptico codificados em roda de cores derivados de quadros temporalmente adjacentes ($\Delta t = 1$).
   • Estimativa de Fluxo: O fluxo óptico é estimado sob demanda usando a rede UniMatch. O campo de fluxo resultante de 2 canais é codificado em uma imagem de 3 canais via mapeamento de roda de cores HSV para RGB, garantindo compatibilidade com backbones de CNN.
   • Fusão de Características: Ambas as ramificações empregam backbones MobileNetV3-Large pré-treinados no ImageNet. As características são concatenadas (fusão tardia) e passadas por um classificador para gerar logits. Este modelo aprende explicitamente padrões de micro-movimento e consistência temporal.

2. Destilação de Conhecimento para Estudante Leve:

   • Objetivo: Para permitir uma implantação eficiente, um modelo "estudante" de ramificação única é treinado para imitar o professor. O estudante opera exclusivamente em quadros RGB, removendo a dependência do estimador de fluxo na inferência.
   • Estratégia de Treinamento: O estudante é otimizado usando uma função de perda combinada composta por Entropia Cruzada (CE) contra rótulos verdadeiros e um termo de divergência de Kullback-Leibler (KL). O termo KL destila o conhecimento sensível ao movimento dos logits suavizados do professor (usando um parâmetro de temperatura $T=3$) para o estudante.
   • Resultado: O estudante aprende implicitamente representações sensíveis ao movimento sem exigir estimativa explícita de fluxo ou blocos adicionais de extração de características durante a inferência.

Principais Contribuições

• Arquitetura de Dupla Ramificação: Introdução de um modelo professor que funde pistas de aparência RGB com fluxo óptico codificado em roda de cores para capturar micro-movimentos e consistência temporal.
• Aprimoramento de Pistas de Movimento: Utilização de quadros de vídeo consecutivos ($\Delta t = 1$) para aprimorar pistas de movimento sem introduzir novas modalidades de sensoriamento.
• Destilação Baseada em Logits: Uma estratégia que transfere conhecimento sensível ao movimento de um professor aumentado por fluxo para um estudante leve, apenas RGB, removendo efetivamente o ônus computacional da estimativa de fluxo na inferência.
• Implantação Eficiente: Demonstração de que o estudante destilado alcança desempenho competitivo com parâmetros e FLOPs significativamente reduzidos, adequado para implantação em tempo real na borda.

Resultados Experimentais
Extensos experimentos foram conduzidos em cinco benchmarks: Replay-Attack (RA), Replay-Mobile (RM), ROSE-Youtu (RY), OULU-NPU e SiW-Mv2.

• Desempenho:
  • RA & RM: Tanto o professor quanto o estudante destilado alcançaram detecção perfeita (0,0% HTER).
  • ROSE-Youtu: O estudante destilado alcançou um HTER de 0,81%, superando o professor (0,94%) e várias bases de última geração.
  • SiW-Mv2: O professor alcançou 5,65% HTER, com o estudante correspondendo de perto a esse desempenho (5,78% HTER).
  • OULU-NPU: O estudante destilado alcançou o melhor ACER relatado de 0,35%, superando o professor (0,42%) e outros métodos de última geração.
• Eficiência:
  • O estudante destilado reduziu a contagem de parâmetros de 14,29M (professor) para 3,46M e GFLOPs de 356,63 para 0,22.
  • Desempenho em Tempo Real: Em um NVIDIA® Jetson Orin Nano, o estudante destilado alcançou uma taxa de transferência de 52 FPS, demonstrando sua viabilidade para aplicações em tempo real.
• Visualização: Análises Grad-CAM indicaram que o treinamento guiado por fluxo afiou o foco do modelo em regiões consistentes com o movimento, validando a eficácia do processo de destilação.

Significado e Alegações
O artigo afirma que o framework proposto conecta com sucesso a lacuna entre detecção baseada em movimento de alta precisão e a eficiência necessária para implantação na borda. Ao desacoplar a aprendizagem de movimento (treinamento) do cálculo de movimento (inferência), os autores demonstram que modelos leves podem aprender implicitamente dinâmicas temporais complexas. Os resultados sugerem que o modelo estudante destilado não é apenas comparável ou superior ao modelo professor pesado em termos de precisão, mas também significativamente mais prático para ambientes com recursos limitados, alcançando altas taxas de quadros em hardware embarcado sem sacrificar a robustez contra diversos ataques de falsificação.