面向人脸反欺骗的深度空间梯度与时间深度学习
计算机视觉与模式识别
2020-03-19 v1
摘要
人脸反欺骗对人脸识别系统的安全性至关重要。深度监督学习已被证明是人脸反欺骗最有效的方法之一。尽管取得了巨大成功，大多数先前工作仍将该问题表述为单帧多任务问题，仅通过简单地用深度扩充损失，而忽略了细粒度细节信息以及人脸深度与运动模式之间的相互作用。相反，我们基于两点见解设计了一种从多帧检测呈现攻击的新方法：1）活体人脸与欺骗人脸之间详细的判别线索（如空间梯度幅值）可能通过堆叠的普通卷积被丢弃；2）3D 运动人脸的动态特性为检测欺骗人脸提供了重要线索。所提方法能够通过残差空间梯度块（RSGB）捕获判别细节，并从时空传播模块（STPM）高效编码时空信息。此外，提出了一种新颖的对比深度损失以实现更精确的深度监督。为评估我们方法的有效性，我们还收集了双模态反欺骗数据集（DMAD），其为每个样本提供真实深度。实验表明，所提方法在包括 OULU-NPU、SiW、CASIA-MFSD、Replay-Attack 及新 DMAD 在内的五个基准数据集上取得了最先进的结果。代码将发布于 https://github.com/clks-wzz/FAS-SGTD。
引用
@article{arxiv.2003.08061,
title = {Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing},
author = {Zezheng Wang and Zitong Yu and Chenxu Zhao and Xiangyu Zhu and Yunxiao Qin and Qiusheng Zhou and Feng Zhou and Zhen Lei},
journal= {arXiv preprint arXiv:2003.08061},
year = {2020}
}
备注
Accepted by CVPR2020 (oral)