面向监控场景下多模态人脸反欺骗的数据集与基准
计算机视觉与模式识别
2021-03-30 v1
摘要
人脸反欺骗（FAS）因复杂的应用场景与多样的面部呈现攻击模式而具挑战性。尤其当采集图像为低分辨率、模糊且来自不同域时，FAS性能会显著下降。现有多模态FAS数据集很少关注部署场景下的跨域问题，不利于模型性能研究。为解决这些问题，我们探究多模态相机间的细粒度差异，并构建了监控场景下的跨域多模态FAS数据集GREAT-FASD-S。此外，我们提出一种带特征增强的基于注意力的人脸反欺骗网络（AFA）以解决面向低质量人脸图像的FAS。其由深度可分离注意力模块（DAM）与基于多模态的特征增强模块（MFAM）组成。我们的模型在CASIA-SURF数据集与我们提出的GREAT-FASD-S数据集上均达到当前最优性能。
引用
@article{arxiv.2103.15409,
title = {A Dataset and Benchmark Towards Multi-Modal Face Anti-Spoofing Under Surveillance Scenarios},
author = {Xudong Chen and Shugong Xu and Qiaobin Ji and Shan Cao},
journal= {arXiv preprint arXiv:2103.15409},
year = {2021}
}
备注
Published in: IEEE Access