Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision

标签（空格分隔）： anti-spoofing

摘要

由于面部识别的广泛使用，所以对于面部识别的反欺诈也尤为重要，而先前的工作都把面部反欺诈作为二分类的问题，但是本文探讨了辅助监督（ auxiliary supervision）的重要性。利用CNN-RNN得到的面部深度（face depth）以及rPPG（利用sequence-wise supervision得到）来进行面部反欺诈。

方案

本文提出了一种深度模型，他使用空间和时间辅助信息的监督而不是二元监督，以便从面部视频中更健壮地检测面部呈现欺诈(PA)。这些辅助信息是基于我们关于现场和欺诈面部之间关键差异的领域知识获得的，其中包括两个视角：空间和时间。其中空间就是图像的深度（face-depth），而时间就是使用rPPG信号作为辅助监督。

关于Spoof in the Wild Database(SiW)- 他是一个数据库，现有的面部反欺骗数据库，如NUAA ，CASIA ，ReplayAttack 和MSU-MFSD ，都是在3 - 5 年前收集的。而现在电子产品的快速发展，与现有技术相比，这些数据收集中使用的设备类型（例如，相机）在分辨率和成像质量方面已经过时。鉴于对更高级数据库的明确需求，他们收集了一个面部反欺骗数据库命名为Spoof in the Wild Database(SiW)。

本文的三个主要贡献：
1.建议利用新颖的辅助信息（即深度图和rPPG）来监督CNN学习以改进泛化。
2.提出了一种新颖的CNN-RNN架构，用于端到端学习深度图和rPPG信号。
3.发布了一个新的数据库，其中包含PIE的变体和其他实际因素。实现了面部反欺骗的最先进性能。
早期反欺骗工作：基于纹理的方法，基于时间以及基于rPPG信号。

本文提出的方法：
基于CNN-RNN架构的深度学习，CNN部分利用深度图像(depth map)监督来识别细微的纹理特征，然后把估计到的深度以及特征图(feature maps)喂入一个novel non-rigid registration layer中并创造出一个新的特征图(feature maps)，而RNN部分则利用上面生成的新的特征图(feature maps)和rPPG进行训练。

结论

本文确定了辅助监督对于基于深度模型的面部反欺诈的重要性，并且提出了结合CNN和RNN架构的网络模型。

我自己的总结

本文使用的方法相对之前具有新颖之处，之前可能只是使用rPPG一个方面，而本文使用了结合rPPG以及图像深度两个方面达到更好的效果。

欢迎大家关注我的微信公众号，未来上面会推送python 机器学习 算法学习 深度学习 论文阅读 以及偶尔的小鸡汤等内容。ようこそいらっしゃい！

Learning Deep Models for Face Anti-Spoofing_ Binary or Auxiliary Supervision相关推荐

活体检测论文研读三：Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision
Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision 论文简介一.指出先前的深度学习方法将人脸反欺 ...
[人脸活体检测] 论文： Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision
Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision 论文简介与人脸生理相关的rppG信号被研究者 ...
单目可见光静默活体检测 Binary or Auxiliary Supervision论文解读
点击我爱计算机视觉标星,更快获取CVML新技术前段时间,52CV正式运营子品牌OpenCV中文网公众号,旨在分享最新的OpenCV实用技术与计算机视觉突破,无意中分享了两篇活体检测的代码: CVPR ...
Check-N-Run: a Checkpointing System for Training Deep Learning Recommendation Models | NSDI‘ 22
分布式机器学习论文分享 | Check-N-Run: a Checkpointing System for Training Deep Learning Recommendation Models | ...
PaperNotes(9)-Learning deep energy model: contrastive divergence vs. Amortized MLE
Learning deep energy model: contrastive divergence vs. Amortized MLE abstract 1 Introduction 2 Backg ...
【机器学习笔记】可解释机器学习-学习笔记 Interpretable Machine Learning (Deep Learning)
[机器学习笔记]可解释机器学习-学习笔记 Interpretable Machine Learning (Deep Learning) 目录 [机器学习笔记]可解释机器学习-学习笔记 Interpre ...
Optimization for Training Deep Models（3）
CONTENTS Approximate Second-Order Methods For simplicity of exposition, the only objective function ...
Learning Deep Learning（学习深度学习）
作者:chen_h 微信号 & QQ:862251340 微信公众号:coderpai 简书地址:https://www.jianshu.com/p/e98c5f61a6f2 Learning ...
语义分割--Efficient Deep Models for Monocular Road Segmentation
Efficient Deep Models for Monocular Road Segmentation code: https://lmb.informatik.uni-freiburg.de/P ...

Learning Deep Models for Face Anti-Spoofing_ Binary or Auxiliary Supervision

Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision

摘要

方案

结论

我自己的总结

Learning Deep Models for Face Anti-Spoofing_ Binary or Auxiliary Supervision相关推荐

最新文章

热门文章