CCBR2019 生物特征识别技术讲习班
| 主题： 人脸识别中的安全问题 | |
|
人脸识别技术因为其非接触性和非侵犯性而获得广泛应用，是学术界和工业界的一个重点研究方向。然而人脸识别系统容易受到非法用户的恶意攻击。合法用户的人脸照片、视频和三维面具已被证明是对人脸识别系统可靠性和安全性的严重挑战。在金融、安防等安全系数较高的行业，针对恶意攻击设计检测精度高、速度快、泛化能力强的人脸防伪系统是安全人脸识别的重中之重。 人脸防伪的目的在于判断系统获取的人脸是真实人脸还是伪造人脸。常见的伪造方式包括模拟原始人脸的照片攻击、视频攻击、三维面具攻击以及直接针对识别网络的对抗攻击，而防御方式涵盖了深度学习、迁移学习、小样本学习、对抗学习、虚拟生成、三维视觉等方面的内容。本课程以深度学习框架为基础，对人脸防伪技术进行进深度剖析，主要内容包括呈现攻击（照片、回放、面具）防御技术，人脸伪造编辑技术，对抗样本防御技术，合成人脸检测技术等。相关论文发表在IEEE TPAMI、 IEEE TIP、 IEEE TIFS、 CVPR、 NeuIPS等一系列期刊和会议上。 |
|
| 温馨提示: | |
| 本课程学员需对深度学习、生成对抗网络、生物特征识别等相关内容有所了解。 |
讲习班课程
| 姓名： 朱翔昱 |  |
| 简介： 朱翔昱，中科院自动化所模式识别国家重点实验室助理研究员，2017年在中科院自动化所获得博士学位，师从李子青研究员。从事三维人脸模型、人脸关键点检测、人脸识别方面的相关理论研究与应用。共发表论文三十篇，其中第一作者论文包括顶级期刊T-PAMI一篇及IJCV一篇,模式识别顶级会议CVPR三篇，其中一篇获得口头报告（Oral）资格。已发表论文Google总引用率超过2000次，第一作者单篇引用超过300次。 | |
| 题目： 人脸识别中的安全问题：人脸防伪的技术与挑战 | |
| 课程摘要： 人脸防伪是检测摄像头捕捉到的人脸是真实人脸还是伪造人脸的技术，对人脸识别的安全性至关重要。人脸攻击的多样性与不可预知性是人脸防伪的重要挑战。面对层出不穷的攻击方式，如何提高防伪系统的鲁棒性与可扩展性是算法研究的重点。本报告将从典型人脸欺骗手段、硬件防伪方法、动态防伪算法、静态防伪算法、防伪中的难点问题等方面，介绍人脸防伪的技术与挑战。 |
| 姓名： 李琦 |  |
| 简介： 李琦，中科院自动化所智能感知与计算研究中心助理研究员，图形图像学会会员，图形图像学会视觉与大数据专委会委员，人工智能学会模式识别专委会委员。2007-2011年在中国石油大学获得学士学位，2011年-2016年在中科院自动化所模式识别国家重点实验室获得博士学位，师从谭铁牛研究员。一直从事计算机视觉、人脸预处理和识别方面的工作。参与的人脸识别系统成功应用于国有商业银行和地方铁路系统等。在国际主流期刊和会议（如TIP，TIFS, PR，NIPS，CVPR等）发表过多篇文章，申请多项专利，现任TPAMI，PR，ICML，NIPS，AAAI，IJCAI等审稿人。 | |
| 题目： 人脸识别中的安全问题：人脸图像属性与年龄编辑 | |
| 课程摘要： 人脸图像属性编辑指的是改变面部的单个或多个属性，生成所需属性的新的人脸图像，同时保留除改变属性之外细节信息。属性和年龄编辑在影视娱乐、生物安全方面有着广泛的应用价值，很多经典方法相继被提出以进行精准的属性和年龄编辑。近些年随着生成式模型的广泛应用，基于对抗生成网络的人脸图像属性与年龄编辑也相继出现，本部分内容将着重介绍近期我们在高分辨人脸图像属性编辑及基于属性约束的人脸图像年龄编辑工作。 |
| 姓名： 王伟 |  |
| 简介： 王伟，中科院自动化所模式识别国家重点实验室副研究员，人工智能学会吴文俊优秀青年奖获得者。2012年获中科院自动化所工学博士学位。王伟博士主要从事多媒体内容安全、多模态内容分析与理解、生物识别安全等方面的研究工作。在重要的国内外学术刊物和学术会议上发表论文40余篇。现为中国计算机学会计算机专业委员会委员、中国人工智能学会模式识别专业委员、中国图像图像学会视觉大数据专业委员会委员；国际电气电子工程师学会（IEEE）会员、IEEE 信号处理学会（Signal Processing Society）会员，IEEE计算科学学会（Computer Society）会员。王伟博士已主持或参与国家和各部委科研项目10余项，并获得北京市青年人才托举计划支持。 | |
| 题目： 人脸识别中的安全问题：人脸识别系统的对抗攻击与防御 | |
| 课程摘要： 随着深度学习技术的突飞猛进,人脸识别系统的性能实现了跨越式的发展,其已在各行各业广泛普及。然而，在金融等安全系数要求较高的行业，人脸识别系统的安全性问题日益突出。假体攻击、照片攻击、视频回放等攻击技术都有较好检测和识别手段。但对于目前新型的对抗样本生成技术，没有足够的防御手段。本部分内容在介绍深度学习模型攻击和防御手段的基础上，重点介绍对人脸识别系统的对抗样本生成和检测防御技术的研究，以及Deepfake、ZAO等伪造合成人脸的检测技术。 |