面向人脸反欺骗的深度频域时空学习
计算机视觉与模式识别
2020-02-11 v1 机器学习
图像与视频处理
摘要
人脸反欺骗对于人脸识别系统的安全至关重要，可避免受到呈现攻击的入侵。已有工作表明利用深度与时序监督对此任务有效。然而，深度监督通常仅考虑单帧，而时序监督通过利用某些信号进行探索，对场景变化不够鲁棒。受双流卷积网络启发，本文提出一种新颖的双流 FreqSpatialTemporalNet 用于人脸反欺骗，其同时利用频域、空间与时序信息。与现有在多帧 RGB 图像中挖掘欺骗线索的方法相比，我们将多帧频谱图像作为判别性深度神经网络的一个输入流，促使活体视频与伪造视频之间的主要差异被自动发掘。大量实验表明所提架构取得了可观的改进结果。同时，我们提出了一种利用频域增强流水线获取大量欺骗训练数据的简洁方法，这有助于活体与伪造图像间的细节可视化，并缓解训练大型网络时的数据不足问题。
引用
@article{arxiv.2002.03723,
title = {Deep Frequent Spatial Temporal Learning for Face Anti-Spoofing},
author = {Ying Huang and Wenwei Zhang and Jinzhuo Wang},
journal= {arXiv preprint arXiv:2002.03723},
year = {2020}
}