用于人脸反欺骗的双交叉中心差分网络
计算机视觉与模式识别
2021-05-05 v1
摘要
人脸反欺骗(FAS)在保护人脸识别系统安全方面起着至关重要的作用。近年来,中心差分卷积(CDC)通过利用局部梯度特征,在FAS任务中展现出了优异的表征能力。然而,同时聚合来自所有邻域/方向的中心差分线索,使得CDC在训练阶段存在冗余且次优的问题。本文提出两种交叉中心差分卷积(C-CDC),分别利用中心与水平/垂直方向和对角线方向上稀疏局部特征的差异。有趣的是,仅以九分之五的参数和更少的计算代价,C-CDC甚至优于全方向CDC。基于这两种解耦的C-CDC,构建了一个强大的双交叉中心差分网络(DC-CDN),并引入交叉特征交互模块(CFIM)以进行相互关系挖掘和局部细节表征增强。此外,提出了一种新颖的面向FAS的补丁交换(PE)增强策略,通过简单地交换来自随机样本的人脸块及其稠密标签来实现。由此,增强样本包含了更丰富的活体/欺骗模式和多样的域分布,有利于内在且鲁棒的特征学习。在四个基准数据集上采用三种测试协议进行了综合实验,以证明我们的state-of-the-art性能。
引用
@article{arxiv.2105.01290,
title = {Dual-Cross Central Difference Network for Face Anti-Spoofing},
author = {Zitong Yu and Yunxiao Qin and Hengshuang Zhao and Xiaobai Li and Guoying Zhao},
journal= {arXiv preprint arXiv:2105.01290},
year = {2021}
}
备注
Accepted by IJCAI2021