采用新的卷积CDC的人脸防欺骗模型
三个要点
✔️ 引入了一种新的卷积运算CDC，提出了CDCN，提取了比以前更多的不变性和唯一性特征，建立了一个更稳健的人脸防欺骗（FAS）模型
✔️ CDCN++，是CDCN的扩展。首创通过NAS（网络架构搜索）搜索CDC的人脸防欺骗架构搜索空间的方法。
✔️ 基于CDC的模型实现了未知欺骗方法的SOTA，并表现出较高的鲁棒性。
Searching Central Difference Convolutional Networks for Face Anti-Spoofing
written by Zitong Yu, Chenxu Zhao, Zezheng Wang, Yunxiao Qin, Zhuo Su, Xiaobai Li, Feng Zhou, Guoying Zhao
(Submitted on 9 Mar 2020)
Comments: Accepted at CVPR2020
Subjects: Computer Vision and Pattern Recognition (cs.CV)
Paper Official Code COMM Code
概况
到2020年，各地将开展各种示范测试，包括入口闸机、自动售货机使用人脸识别，人脸识别的引入进展迅速。对工作人员进行管理。将引入面部识别。生物识别技术的各种优势，如高安全性、免提、非接触式等，备受关注。
但另一方面，也有对Presentation Attacks的担忧。只需出示打印的图像或视频，就可以欺骗面部识别系统。也有报道称，有人利用3D面具进行恶搞。
资料来源：fig.1, 香港浸会大学计算机科学系袁鹏程等人的3D面具人脸防欺骗技术。
为了使面部识别系统更值得信赖，检测这种欺骗的技术（Presentation Attack Detection，PAD）是必不可少的。
到目前为止，在PAD领域已经提出了两种方法：一种是基于手工制作的特征，另一种是基于深度学习的特征。手工制作的方法（如局部二进制模式，LBP）使用局部信息作为特征来表示真实和欺骗细节的不变细节（如颜色纹理，莫里模式，噪声伪影），并且通常是稳健的。据报道，卷积神经网络(CNNs)具有很高的表示能力，通常通过一系列非线性激活的卷积运算来区分真实和欺骗。
然而，基于CNN的方法由于其分类能力，往往难以体现真实图像和恶搞图像之间的细节，而且往往受外部环境的影响很大，如灯光和摄像头的差异。
因此，本文提出了一种新的卷积运算，称为中心差分卷积(CDC)，它通过将局部信息集成到CNN中，克服了弱点，提供了对外部环境鲁棒的特征表示。我们还在专门设计的CDC搜索空间中使用神经架构搜索(NAS)来构建人脸防欺骗的最佳网络。
要阅读更多。
你需要在AI-SCHOLAR注册。
或
与本文相关的类别
