CVPR2020人脸防伪检测挑战赛冠亚军论文解读（下篇）

2020-05-14 21:12:17

本文介绍的是CVPR2020 论文《Searching Central Difference Convolutional Networks for FaceAnti-spoofing》，作者来自明略科技。

作者 | 明略科技

编辑 | 丛末

在CVPR2020由中科院自动化研究所模式识别国家重点实验室主办的ChaLearnFace Anti-spoofing Attack Detection Challenge人脸防伪检测挑战赛中，由奥卢大学与明略科学院深度学习实验室等组成的团队，斩获多模态赛道冠军和单模态赛道亚军。

此次挑战赛中，奥卢大学和明略科学院团队运用的方法，主要来自于《Deep Spatial Gradient and Temporal Depth Learning for FaceAnti-spoofing(FAS-SGTD [2]), CVPR2020 (Oral)》和《Searching Central Difference Convolutional Networks for FaceAnti-spoofing(CDCN [1]), CVPR2020》两篇论文的研究成果。

这篇解读，将重点介绍《Searching Central Difference Convolutional Networks for FaceAnti-spoofing(CDCN [1]), CVPR2020》的内容。

论文地址：https://arxiv.org/abs/2003.04092

1 导读

人脸防伪（FAS）在人脸识别系统中起着至关重要的作用。大多数最先进的FAS方法依赖于堆叠卷积和专家设计的网络，在描述详细的纹理信息方面比较弱，在环境变化（如不同的光照度）时容易失效，并且倾向于使用长序列作为输入来提取动态特征，这使得该方法很难部署到需要快速响应的场景中。

2 简介

《Searching Central Difference Convolutional Networks forFace Anti-spoofing(CDCN [1]), CVPR2020》论文，提出了一种基于中心差分卷积（CDC）的新型帧级FAS方法，它能够通过聚合强度和梯度信息来捕获内在的详细模式。用CDC构建的网络，称为中心差分卷积网络（CDCN），相较于用普通卷积构建的网络，能够提供更稳健的建模能力。

此外，在一个专门设计的CDC搜索空间上，可利用神经结构搜索（NAS）发现更强大的网络结构（CDCN++），该网络结构可与多尺度注意力融合模块（MAFM）组装，进一步提升性能。在6个基准数据集上进行了综合实验，结果表明：1)所提出的方法不仅在数据集内部测试中取得了优异的性能(特别是在OULU-NPU数据集（Protocol1）实现了0.2%的ACER)，2)在跨数据集测试中也有很好的通用性(特别是从CASIAMFSD到Replay-Attack数据集，实现了6.5%的HTER)。

3 方法

通过下图我们可以直观的看到普通卷积与中心差分卷积（CDC）在伪造线索捕捉上的差异，使用普通卷积非常容易受到光照camera型号等影响，而使用CDC后网络更能捕捉到spoofing的本质特征，且不容易受到外部环境的影响。

中心差分卷积神经网络CDCN：

接下来是核心的CDC公式：

x，y分别为输入，输出的feature map；w，为卷积核参数；P0为当前位置，Pn为局部邻域RR的index。最重要的超参θ，范围是 [0,1]，当θ=0时，CDC就变成普通vanilla卷积；当θ=1.0时，就只用了差分信息。当然，这参数可以手工调，也可以自动进行学习，文章里都有对应的消融实验。CDC的代码实现也非常简单，在 Pytorch 或 Tensorflow 只需要几行代码。

上图展示的是文章中用的 Baseline network [4]，是18年CVPR中MSU提出来的，我们只用了其单帧伪深度预测的那部分结构。为了公平对比，我们不改变任何的网络架构，只将原始卷积全部换成CDC，结果如下图所示：

Fig. 6 (a) 可见，在OULU-NPU的 protocol-1上，baseline(θ=0)的结果为ACER=3.8%，而随着θ越来越大，性能逐渐变好，当θ=0.7时，取得了最好的性能 ACER=1.0%。也就是说，局部零阶intensity信息和一阶gradient差分信息都在网络中扮演重要的角色，且在活体检测任务中，梯度信息的作用稍微重要一点。

另外我们也探讨了CDC与现有的 LBConv [5] 和 GaborConv [6] 的性能差异，如 Fig. 6 (b) 所示，CDC在活体检测任务中性能远超它们。

搜索一个中心差分卷积神经网络CDCN++：

基于CDC的搜索空间，作者用PC-DARTS [7] 进行low-level, mid-level和high-level的cell架构搜索；如图所示：

在搜出来的backbone里再添加上多级注意力模块，进一步整合multi-level特征，得到 CDCN++；如图所示：

作者在文中同样列出了他们搜索到的网络结构，也就是文中提到的CDCN++本身。利用depth map做回归这类方法所使用的网络结构终于有了更优的选择：

4 实验

下表为OULU-NPU 数据集上的实验结果，OULU-NPU是目前人脸防伪领域最重要的Benchmark之一，难度很大，很有说服力：

CDCN++在OULU-NPU数据集上表现很好，协议1上甚至达到了ACER 0.2%的水平，在所有的协议上均达到了SOTA的水平。再来看下在很具挑战性的跨数据集测试协议上的实验结果：

在跨数据集测试协议上，Train on CASIA-MFSD，Teston Replay-Attack上达到了SOTA水平，在Trainon Replay-Attack, Test on CASIA-MFSD上结果不如FAS-TD与FAS-SGTD[2]。

另外作者在zero-shot的测试协议上也做了实验，zero-shot测试协议为CASIA-MFSD, Replay-Attack, MSU-MFSD三个数据集上的“留一”法实验，结果如下表所示：

CDCN++的结果在大多数协议上甚至超过了专门针对这种cross-type问题的zero-shot方法DTN[3]；可见CDC与CDCN++的泛化能力也是很强的。

5 总结

网络结构目前仅针对depth regression的人脸防伪方法是有提升的，未来要扩展到其他方法上，并且在更大的数据集上进行试验。也希望未来的NAS search space里都把CDC考虑进去，毕竟普通vanilla卷积只是CDC的一种特例，使用CDC进行搜索，具有更大的可能性。

Reference:

[1]Zitong Yu et al., Searching Central Difference Convolutional Networks for FaceAnti-Spoofing, CVPR2020

[2]Zezheng Wang et al., Deep Spatial Gradient and Temporal Depth Learning for FaceAnti-spoofing, CVPR2020 (Oral)

[3]Yaojie Liu et al., Deep tree learning for zero-shot face anti-spoofing,CVPR2019

[4]Yaojie Liu et al., Learning deep models for face anti-spoofing: Binary orauxiliary supervision, CVPR2018

[5]Felix Juefei-Xu et al., Local binary convolutional neural networks, ICCV2017

[6]Shangzhen Luan et al., Gabor convolutional networks, TIP2018

[7]Yuhui Xu et al., PC-DARTS: Partial Channel Connections for Memory-EfficientDifferentiable Architecture Search, ICLR2020

[8]Cihang Xie et al., Feature Denoising for Improving Adversarial Robustness,CVPR2019

CVPR2020人脸防伪检测挑战赛冠亚军论文解读（下篇）相关推荐

CVPR2020人脸防伪检测挑战赛冠亚军论文解读（上篇）
2020-05-13 21:17:17 本文介绍的是CVPR2020 oral论文<Deep Spatial Gradient and Temporal Depth Learning for F ...
CVPR2020人脸防伪检测挑战赛冠军方案开源
本文转载自AI科技评论. 本文介绍的是CVPR2020 oral论文<Deep Spatial Gradient and Temporal Depth Learning for Face Ant ...
CVPR2020 夜间目标检测挑战赛冠军方案解读
本文转载自DeepBlue深兰科技. 在 CVPR 2020 Workshop 举办的 NightOwls Detection Challenge 中,来自国内团队深兰科技的 DeepBlueAI 团 ...
人脸标记检测：ICCV2019论文解析
人脸标记检测:ICCV2019论文解析 Learning Robust Facial Landmark Detection via Hierarchical Structured Ensemble 论 ...
CVPR2020论文分方向整理之检测篇_3D目标检测（代码/论文解读/136篇打包下载）
CVPR2020论文分方向整理之检测篇(代码/论文解读/136篇打包下载) 本周三,CVPR官方正式开放下载,极市第一时间将所有论文(共1467篇)进行了下载打包,详情见此处.为了方便大家进一步的学习 ...
CVPR2020夜间行人检测挑战赛两冠一亚：DeepBlueAI获胜方案解读
2020-06-22 11:24:27 机器之心专栏作者:罗志鹏(深兰北京AI研发中心) 来自深兰科技北京 AI 研发中心的 DeepBlueAI 团队在 CVPR 2020 夜间行人检测挑战赛中斩 ...
CVPR 2020 夜间目标检测挑战赛冠军方案解读
↑ 点击蓝字关注视学算法来源丨DeepBlue深兰科技编辑丨极市平台在 CVPR 2020 Workshop 举办的 NightOwls Detection Challenge 中,来自国内团 ...
cnn 句向量_深度学习目标检测Fast R-CNN论文解读
前言我们知道,R-CNN存在着以下几个问题: 分步骤进行,过程繁琐.Selective Search生成候选区域region proposal->fine tune预训练网络->针对每个 ...
计算机视觉未来的挑战,搜狗斩获ICPR 2020人脸关键点检测挑战赛冠军计算机视觉技术持续领先...
作为3D 人脸重建.人脸识别.表情迁移及美化等应用的核心基础技术,人脸关键点检测算法一直是工业界和学术界的研究热点. 近日,在第25届国际模式识别大会(ICPR 2020)举办的人脸106关键点检测挑 ...

CVPR2020人脸防伪检测挑战赛冠亚军论文解读（下篇）

CVPR2020人脸防伪检测挑战赛冠亚军论文解读（下篇）相关推荐

最新文章

热门文章