DRL-FAS：一种基于深度强化学习的人脸活体检测新框架
计算机视觉与模式识别
2020-09-29 v2
摘要
受人类判断所呈现人脸样本真伪之方式的启发——即先全局扫视样本，再仔细观察局部区域以获取更具判别性的信息——针对人脸活体检测问题，我们提出了一种基于卷积神经网络（CNN）与循环神经网络（RNN）的新框架。具体而言，我们利用深度强化学习对从图像子块中探索人脸 spoofing 相关信息的行为进行建模。我们进一步引入循环机制，通过 RNN 从已探索的子块中顺序学习局部信息的表征。最后，为分类之目的，我们将局部信息与全局信息相融合，后者可通过 CNN 从原始输入图像中学习。此外，我们开展了大量实验，包括消融研究与可视化分析，以在多个公开数据库上评估所提框架。实验结果表明，我们的方法在各场景下总体可达到 state-of-the-art 性能，证明了其有效性。
引用
@article{arxiv.2009.07529,
title = {DRL-FAS: A Novel Framework Based on Deep Reinforcement Learning for Face Anti-Spoofing},
author = {Rizhao Cai and Haoliang Li and Shiqi Wang and Changsheng Chen and Alex Chichung Kot},
journal= {arXiv preprint arXiv:2009.07529},
year = {2020}
}
备注
Accepted by IEEE Transactions on Information Forensics and Security. Code will be released soon