FACE RECOGNITION DENGAN ANTI SPOOFING MENGGUNAKAN MOBILENETV3

Muhammad Ikhlas, Moh. Edi Wibowo, S.Kom.,M.Kom., Ph.D.

2024 | Skripsi | ILMU KOMPUTER

Face recognition atau pengenalan wajah merupakan salah satu bagian dari bidang computer vision yang saat ini sangat aktif dikembangkan. Salah satu faktor penting pengenalan wajah adalah keamanan dalam menangkal percobaan serangan seperti serangan spoofing. Spoofing terjadi ketika pengenalan wajah tidak dapat membedakan wajah asli dengan wajah palsu. Penelitian sebelumnya oleh Ying et al. (2018) telah mengembangkan multi-output CNN berbasiskan CASIA-Net untuk melakukan task pengenalan wajah dan anti-spoofing. Pada penelitian ini penulis menggunakan MobileNetV3 sebagai basis multi-output CNN untuk meningkatkan kecepatan model dengan tetap mempertahankan akurasi.
Hasil pengujian menunjukkan model berbasiskan MobileNetV3-Large dapat dengan baik melakukan pengenalan wajah dan anti-spoofing dengan performa yang sama dengan model berbasiskan CASIA-Net. Model berbasiskan MobileNetV3-Small memiliki keunggulan pada inference speed tetapi terjadi penurunan akurasi wajah dan HTER. Penggunaan fungsi loss arcface dapat meningkatkan performa model pengenalan wajah. Augmentasi dataset anti-spoofing memiliki dampak positif pada pengujian cross-dataset. Penggunaan layer bersama dengan pengenalan wajah secara umum menghasilkan penurunan HTER.

Face recognition is one of the actively developed areas in computer vision. In face recognition security is a crucial factor, especially in countering attacks like spoofing, where the system fails to differentiate between genuine and fake faces. Prior research by Ying et al. (2018) already introduced a multi-output CNN based on CASIA-Net for both face recognition and anti-spoofing tasks. In this study, the author utilizes MobileNetV3 as the foundation for a multi-output CNN to enhance model speed while maintaining accuracy.
Test results shows that the MobileNetV3-Large-based model performs well in both face recognition and anti-spoofing, comparable to the CASIA-Net-based model. While MobileNetV3-Small-based model exhibits faster inference speed but experiences decrease in face and HTER accuracy. The utilization of the arcface loss function enhances face recognition model performance. Augmenting anti-spoofing datasets has positive impact on cross-dataset testing. The incorporation of shared layers in face recognition generally results in decreased HTER.

Kata Kunci : Face Recognition, Anti-Spoofing, CNN