2D Mask Attack Dataset

该数据集包含26,436个真实面部、2D打印攻击（打印照片）和重放攻击（屏幕上显示的面部）的视频，在多变条件下捕获。专为攻击检测研究设计，支持开发强大的面部反欺诈和欺诈检测方法，对面部识别安全至关重要。

This dataset contains 26,436 videos of real faces, 2D print attacks (printed photos) and replay attacks (faces displayed on screens), captured under varying conditions. It is specifically designed for attack detection research, supporting the development of robust face anti-fraud and fraud detection methods, which is critical for facial recognition security.

原始信息汇总

2D Mask Attack Dataset - 26 436 videos 数据集概述

数据集简介

• 数据集包含26,436个视频，涵盖真实人脸、2D打印攻击（打印照片）和重放攻击（屏幕上显示的人脸），采集条件多样。
• 专为攻击检测研究设计，支持开发鲁棒的人脸防伪和欺骗检测方法，对人脸识别安全至关重要。

数据集特征

特征	数据
描述	包含打印面具和重放攻击的个体视频
数据类型	视频
任务	防伪、活体检测、人脸识别
视频数量	26,436
类别名称	视频伪造、基于众包工人的欺骗、视频缩放、YouDo头部、车内视频及伪造
标注	元数据（年龄、性别、种族）
性别	男性、女性

数据集结构

• in_car_videos_and_fakes — 车内采集的众包工人面部视频，显示在手机屏幕上。
• toloka_video_fakes — 众包工人面部视频，显示在电脑或手机屏幕上。
• tolokers_based_spoofs — 众包工人面部视频，显示在电脑或手机屏幕上。
• video_zoom — 基于缩放的欺骗攻击视频。
• youdo_heads — 通过YouDo收集的裁剪彩色打印面部视频。
• 2D Printed Mask Attacks and Replay Attacks Videos Dataset.csv — 包含数据集中所有个体的元数据文件。

数据获取

• 提供样本数据集。
• 完整访问需联系购买条款。

类似数据集

1. iBeta Level 1 Dataset
2. 2D Print Attacks and Silicone Masks Attacks Dataset
3. 2D Printed Photos Attacks and Replay Attacks Images Dataset

搜集汇总

数据集介绍

构建方式

在面部防伪研究领域，2D Mask Attack Dataset的构建采用了多源数据采集策略，通过众包平台和定制化服务收集了26,436段视频。数据涵盖真实人脸、二维打印攻击（印刷照片）和重放攻击（屏幕显示人脸），并在多样化场景下录制，如车内环境和设备屏幕展示。每段视频均附有元数据标注，包括年龄、性别和种族等信息，确保了数据集的全面性和结构化特征。

特点

该数据集的核心特点在于其攻击类型的多样性和场景覆盖的广泛性，不仅包含传统的打印照片攻击，还涉及基于缩放和屏幕重放的复杂欺骗手段。视频数据按攻击类别分为多个子集，如车内视频、众包平台生成的伪造内容等，每种攻击均模拟现实世界中的安全威胁。丰富的元数据为研究者提供了细粒度的分析维度，有助于开发更具鲁棒性的防伪算法。

使用方法

针对面部识别安全研究，该数据集可直接用于反欺骗检测和活体识别任务的模型训练与评估。研究者可通过解析视频文件及其配套的元数据表格，区分真实样本与攻击样本，构建二分类或多分类任务。数据集的子集结构支持模块化使用，例如专注于特定攻击类型（如重放攻击）的针对性实验，从而优化算法在不同场景下的泛化能力。

背景与挑战

背景概述

随着人脸识别技术在安全认证系统中的广泛应用，抵御欺骗攻击成为生物特征识别领域的关键课题。2D Mask Attack Dataset由UniData机构构建，专注于面部反欺骗研究，包含26,436段视频数据，涵盖真实人脸、二维打印攻击及屏幕重放攻击等多种场景。该数据集通过模拟实际环境中的攻击手段，为开发鲁棒性强的活体检测算法提供了重要支撑，显著推动了人脸识别系统安全性的提升。

当前挑战

该数据集致力于解决面部反欺骗领域中的攻击检测难题，其核心挑战在于区分高度逼真的二维打印攻击与动态屏幕重放攻击。构建过程中需克服多源数据采集的复杂性，如在车载环境、屏幕显示及缩放攻击等多样化条件下保持数据一致性。同时，标注工作需整合年龄、性别与种族等元数据，确保攻击类型的精细划分与模型泛化能力的平衡。

常用场景

经典使用场景

在生物特征识别安全领域，2D Mask Attack Dataset 被广泛应用于评估和开发面部反欺骗算法。该数据集包含26,436个视频，涵盖真实人脸、打印照片攻击和屏幕重放攻击等多种场景，为研究人员提供了丰富的攻击样本。通过模拟实际环境中的欺骗手段，该数据集能够有效测试活体检测系统的鲁棒性，成为面部识别安全研究中的基准工具。

衍生相关工作

基于该数据集，衍生出多篇经典研究论文，如基于深度学习的活体检测框架和跨域反欺骗算法。这些工作利用数据集中丰富的攻击类型，开发了对抗新型欺骗手段的模型，推动了面部反欺骗技术的创新。相关成果不仅提升了检测精度，还为行业标准制定提供了参考，形成了持续的研究脉络。

数据集最近研究

最新研究方向

在面部识别安全领域，二维掩码攻击数据集正推动活体检测技术的前沿探索。该数据集包含26436个视频，涵盖真实面部、二维打印攻击和重放攻击等多种场景，为抵御日益复杂的欺骗手段提供了丰富样本。当前研究聚焦于利用深度学习模型提升攻击检测的鲁棒性，特别是在车载监控和远程身份验证等实际应用中。随着人工智能技术的普及，面部反欺诈已成为生物识别安全的核心议题，相关成果对金融支付和智能安防等行业具有深远影响。