FAS-SGTD，通过学习Depth的时空信息，提高人脸欺骗检测的准确率。

人脸识别 06/01/2021

3个要点
✔️结合残余空间梯度块(RSGB)来表征详细的空间信息，以及时空传播模块(STPM)来表征其时空变化，我们提出了一种新的。我们提出了一个新的框架
✔️ 引入了对比深度损失（CDL），而不是欧氏距离损失（EDL），以更好地学习详细的面部模仿模式。
✔️在代表性基准上达到最先进的性能。

Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing
written by Nilay Sanghvi, Sushant Kumar Singh, Akshay Agarwal, Mayank Vatsa, Richa Singh
(Submitted on 18 Mar 2020)
Comments: Accepted by CVPR2020
Subjects: Computer Vision and Pattern Recognition (cs.CV)

勾勒

在人脸识别系统的应用越来越多的同时，欺骗检测的重要性也在上升。

身份盗窃主要有三种类型：打印攻击，使用打印的人脸照片；重放攻击，使用智能手机等电子设备上显示的人脸图像；3D面具。攻击）。)

在本文中，我们提出了一种新的方法，在三种欺骗方法中检测打印攻击和重放攻击，准确率更高。

过去几年的研究报告显示，使用Depth信息可以提高欺骗检测的准确性。真实的人脸具有凹凸不平的特点，而打印攻击和重放攻击则是显示在平面的纸张或显示器上，不具有凹凸不平的特点，所以利用Depth信息可以高精度地检测出欺骗行为。
在以往的研究中，深度是通过使用摄像机拍摄的单帧视频的空间信息来估计的。然而，在本文中，为了准确估计Depth，有必要考虑多帧空间信息的时间变化。

下图以一种极端但容易理解的方式展示了这种解释。(a)显示了一张真实的脸被拍摄，(b)显示了打印攻击和重放攻击被拍摄。

从(a)看，如果每一帧时面部向右移动，则鼻子中心与耳朵之间的距离就会发生变化。在这种情况下，α>β2应该为_真。但是，在（b）中，如果脸部以同样的方式移动，则鼻子和耳朵之间_的距离变为α'<β'2。