卷积神经网络用于人脸反欺骗的性能评估
计算机视觉与模式识别
2019-03-28 v2
摘要
在当今时代，基于生物特征的门禁控制因其简单性和用户易用性而日益普及。它减少了身份识别的人工工作并促进了自动处理。人脸是最重要的生物特征视觉信息之一，可在非受控环境下无需用户配合即可轻松捕获。为使基于人脸的身份识别和门禁控制对可能的攻击具有鲁棒性，对欺骗人脸的精确检测应处于高优先级。近年发展起来的基于卷积神经网络(CNN)的深度学习技术已被证明是处理视觉信息极为有效的方法之一。CNN从数据中自动学习中间层的分层特征。若干基于CNN的方法如Inception和ResNet已在图像分类问题上展现出卓越性能。本文对用于人脸反欺骗的CNN进行了性能评估。本研究使用了Inception和ResNet的CNN架构。结果在基准MSU Mobile Face Spoofing Database上计算。实验考虑了不同方面，如模型深度、随机权重初始化与权重迁移、微调与从头训练以及不同学习率。在这些CNN架构的不同设置下，获得了用于人脸反欺骗的有利结果。
引用
@article{arxiv.1805.04176,
title = {A Performance Evaluation of Convolutional Neural Networks for Face Anti Spoofing},
author = {Chaitanya Nagpal and Shiv Ram Dubey},
journal= {arXiv preprint arXiv:1805.04176},
year = {2019}
}
备注
Accepted in 2019 International Joint Conference on Neural Networks (IJCNN)