生物特征识别冬令营第四天日报
01
来到冬令营的第四天，上午首位报告的专家是来自美国约翰霍普金斯大学电气与计算机工程系的Vishal M. Patel教授，这场报告为线上会议，由香港浸会大学的Pong C Yuen教授主持。Vishal M. Patel教授的研究方向包括生物特征识别、计算机视觉、模式识别等。今天他的演讲主题是"Federated learning for biometrics applications"。
Vishal M. Patel教授线上演讲
Vishal M. Patel教授从生物识别的发展历程和联邦学习的机制原理介绍入手，详细讲解了联邦学习的隐私增强方法以及在面部防伪、主动认证等生物识别领域的应用。他首先梳理了生物识别中最常见的人脸识别方向的技术框架的发展方向和最新进展，并提出了生物识别数据的采集和标注过程中存在的问题，如采集成本和用户隐私保护问题。目前业界主要从数据隐私保护和构建隐私保护模型两方面来解决用户隐私问题，其中联邦学习是模型构建中常用的隐私保护方法。
Vishal M. Patel教授向大家详尽介绍了分布式学习、本地训练、模型融合、参数广播、模型更新等联邦学习的关键部分。接下来，Vishal M. Patel教授总结了联邦学习在移动终端、跨组织学习、物联网等领域的应用和挑战。其中，教授着重介绍了联邦学习在生物识别数据隐私保护中的具体技术实例，如差异隐私算法、SplitNN等。最后，Vishal M. Patel教授向大家展示了在主动认证中的模型网络结构和实验结果，并在结尾总结了一系列关于联邦学习的开放性问题。Vishal M. Patel教授的这场报告深入浅出、内容丰富，各位参会者受益匪浅。
滑动查看Vishal M. Patel教授分享的部分内容
报告结束后，同学们深受启发，积极提问。问题包括联邦学习能否应用于非公开的Re-ID数据集，如何解决联邦学习中广泛存在的数据不平衡的问题，当联邦学习中部分训练终端故意上传伪造数据时，怎样应对消除错误等等。
线上同学向Vishal M. Patel教授提问
02
第二位演讲者是Pong C Yuen教授。Pong C Yuen教授的研究领域为视频监控、人脸识别、 生物特征识别安全及隐私等。Pong C Yuen教授分享的主题是"Face Biometrics System Security"。
Pong C Yuen教授线上演讲
Pong C Yuen首先对人脸识别做了简要介绍，随后他引入了人脸识别系统安全性的问题，列举了传感器采集生物数据错误、特征提取器被覆盖、数据库模板被修改等生物识别系统中潜在的诸多攻击。Pong C Yuen教授分别按照图像、视频和3D模板三个部分介绍了人脸呈现攻击检测及目前相应的主流防欺骗技术方法，并梳理展示了在CVPR2020多模态人脸呈现攻击检测挑战赛中分别获得第一名和第三名的方案中心差分网络和融合网络的选择性模态管道的实验效果。
Pong C Yuen教授还向同学们详细介绍了他们研究团队近期有关3D模板的人脸防伪工作，包括基于光电容积脉搏波扫描计的方法、深度动态特征提取和领域泛化，以及相应的改进工作和创建的数据集。这些工作成果陆续发表到IJCB、ECCV、CVPR、AAAI等会议。
接下来Pong C Yuen教授又介绍了人脸模板保护技术。它的技术要求主要为安全性、可辨别性和可取消性。Pong C Yuen教授认为现在的商业方法存在密钥管理问题，进而介绍了他的团队关于深度人脸模板的重构方法。为增强模板的安全性，该方法没有存储密钥，而是存储安全的草图，实现了生成不可逆且可取消的受保护模板。
滑动查看Pong C Yuen教授分享的部分内容
Pong C Yuen教授的分享报告激发了同学的兴趣，极大拓展大家的视野。经过Pong C Yuen教授的讲解，同学热情高涨，提出了关于防伪算法如何区分化妆后的人脸和伪造生成的人脸，人脸识别对于整容后人脸的识别效果能达到什么程度等有想法的问题。尽管时间有限，Pong C Yuen教授对大家的问题都一一详细解答。
线下的同学们积极地向Yuen教授提问
时间过得很快，又到了午餐时间。同学们一边享用美食，一边继续讨论交流上午参会的想法感受，碰撞出思想的火花。
美味
Delicious
Lunch
午餐
中午，到场的嘉宾和同学们纷纷来到冬令营的大海报处签名并合影留念。
01
02
03
We are friends
03
下午继续准时开始hands-on实践环节。
大部分团队的进度都很快，进入程序的调试完善阶段，有几组已经初步实现了预定的效果要求。
参会人员人脸识别系统展示
也有些同学继续和现场的工作人员交流讨论，咨询建议，力求实现更好人脸识别系统。
大家积极地讨论hands-on内容
希望每位同学都能在明天的presentation环节中有最佳的表现！
04
短暂茶歇后，下午第一场报告由英国萨里大学Josef Kittler教授线上主讲，他的题目是"Fusion of Multimodal Biometrics"。
Josef Kittler教授向大家问好
该报告指出通常可以使用具有不同性状的生物特征来识别或验证人的身份。但是，多种模式的生物特征也可以联合使用，以利用它们传达主题的补充信息。多模态生物特征的优势在于提高性能、扩大人口覆盖范围，扩大可进行生物识别的环境条件范围以及提升抗欺骗能力。
Josef Kittler教授首先介绍了多模态生物学的基本原理，基于贝叶斯统计框架说明多模态生物特征融合问题，阐明信号、特征、 得分和融合架构之间的差异。然后在Josef Kittler在分数水平融合的背景下介绍了分数归一化和生物特征的作用。
滑动查看Josef Kittler教授的分享的部分内容
报告后有参会者对生物特征的防伪鉴别方面的问题进行了提问，Josef Kittler教授对此表达了自己的观点，作出详细回答。
线下同学向Josef Kittler教授提问
05
今天的最后一场分享报告来自意大利锡耶纳大学的Mauro Barni教授作的"Deep learning security and biometric-based authentication: threats and defenses"。
Mauro Barni教授正在分享关于生物安全的内容
Mauro Barni教授首先介绍了在对抗环境下，深度学习在安全方面的应用越来越广泛，已充分证明在深度学习的测试或训练环节中受到攻击的可能性。在将深度学习技术用于基于生物特征的身份验证的应用程序中，这些问题尤为重要。本演讲的目的是总结针对深度学习架构的主要安全威胁，并进行说明。以基于面部识别的身份验证系统为例，我们尤其着重于对手将深层弱点转变为现实威胁所必须应对的挑战，以及可以用来防御生物特征识别系统免受针对其中所采用的深度学习模块的攻击的可能对策。
滑动查看Mauro Barni教授的分享的部分内容
提问环节中，同学们就深度学习在逆向工程、漏洞安全等信息安全领域的应用前景，生物特征识别系统中流量监控的可靠性，生物特征数据存储模块的加密保护措施等问题向Mauro Barni教授热情讨论。
线下同学向Mauro Barni教授提问
在今天，冬令营特别为大家提供了丰盛自助晚餐。（线上的同学不要太馋哦~）
Industry Sponsor：