基于深度学习的活体检测：综述
计算机视觉与模式识别
2022-09-05 v3
摘要
由于人脸活体检测(FAS)在保护人脸识别系统免受呈现攻击(PAs)中的关键作用，近来吸引了越来越多的关注。随着具有新颖类型的越来越逼真的PAs涌现，基于手工特征的传统FAS方法因其有限的表示能力变得不可靠。随着近十年大规模学术数据集的出现，基于深度学习的FAS取得了显著性能并主导了该领域。然而，该领域现有综述主要关注手工特征，已过时且对FAS社区的进展缺乏启发。本文为激发未来研究，首次对基于深度学习的FAS最新进展进行全面综述。其涵盖若干新颖且具洞察的组成部分：1)除二值标签监督(如真实样本标'0'、PAs标'1')外，我们还调研了具有像素级监督(如伪深度图)的近期方法；2)除传统数据集内评估外，我们收集并分析了专为域泛化和开集FAS设计的最新方法；3)除商用RGB相机外，我们总结了多模态(如深度和红外)或专用(如光场和闪光)传感器下的深度学习应用。我们通过强调当前开放问题和潜在前景来结束本综述。
引用
@article{arxiv.2106.14948,
title = {Deep Learning for Face Anti-Spoofing: A Survey},
author = {Zitong Yu and Yunxiao Qin and Xiaobai Li and Chenxu Zhao and Zhen Lei and Guoying Zhao},
journal= {arXiv preprint arXiv:2106.14948},
year = {2022}
}
备注
IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)