FeatherNets：如羽毛般轻量的卷积神经网络用于人脸防伪
计算机视觉与模式识别
2019-04-23 v1 人工智能
机器学习
摘要
人脸防伪近来在学术与工业领域均获得越来越多的关注。随着各类基于 CNN 的解决方案涌现，基于 CNN 的多模态（RGB、深度与 IR）方法展现出优于单模态分类器的性能。然而，仍有必要提升性能并降低复杂度。因此，我们提出了一种极轻量网络架构（FeatherNet A/B），其带有一个流式模块，该模块弥补了全局平均池化的弱点且使用更少参数。我们仅用深度图像训练的单一 FeatherNet 提供了更高的基线：ACER 为 0.00168，参数量为 0.35M，FLOPS 为 83M。此外，提出了一种具有“集成+级联”结构的新型融合流程以满足性能优先的使用场景。同时，我们收集了 MMFD 数据集以提供更多攻击类型与多样性从而获得更好的泛化能力。我们在 CVPR2019 人脸防伪攻击检测挑战赛中使用该融合方法，取得了 0.0013（ACER）、0.999（TPR@FPR=10e-2）、0.998（TPR@FPR=10e-3）与 0.9814（TPR@FPR=10e-4）的结果。
引用
@article{arxiv.1904.09290,
title = {FeatherNets: Convolutional Neural Networks as Light as Feather for Face Anti-spoofing},
author = {Peng Zhang and Fuhao Zou and Zhiwen Wu and Nengli Dai and Skarpness Mark and Michael Fu and Juan Zhao and Kai Li},
journal= {arXiv preprint arXiv:1904.09290},
year = {2019}
}
备注
10 pages;6 figures