2019 FeatherNets: Convolutional Neural Networks as Light as Feather for Face Anti-spoofing
【代码】https://github.com/SoftwareGift/FeatherNets_Face-Anti-spoofing-Attack-Detection-Challenge-CVPR2019
创新点
- 提出轻量级网络Feather:
- thin CNN stem——计算代价小;
- 提出流模块——比GAP(Global Average Pooling)精确度更高;
- 设计了一种新的融合分类器体系结构,将从多模态数据(depth 和 IR 数据)中学习到的多模型进行组合和级联;
成就
- 仅用depth image进行训练,0.00168 ACER, 0.35M parameters and 83M FLOPS;
- in the Face Anti-spoofing Attack Detection Challenge@CVPR2019 and
got the result of 0.0013(ACER), 0.999(TPR@FPR=10e-2),
0.998(TPR@FPR=10e-3) and 0.9814(TPR@FPR=10e-4). - 数据集 MMFD
原理
真实人脸的depth image是不均匀的,攻击人脸的depth image是平面的。
架构设计
感受野中心对输出的影响大于边缘对输出的影响,因此,RF1比RF2具有更大的有效感受域。
流模块
- DWConv(stride>1)用于缩减输出的像素采样
- 计算过程:
FVn(y,x,m)=∑i,jKi,j,m⋅FINy(i),INx(j),mFV_n(y,x,m)=\sum_{i,j}K_{i,j,m}·F_{IN_y(i),IN_x(j),m}FVn(y,x,m)=i,j∑Ki,j,m⋅FINy(i),INx(j),m- 其中,
N=H′∗W′∗CN=H^{'} * W ^ {'} *CN=H′∗W′∗C
n(x,y,m)=m×H′×W′+y×H‘+xn(x,y,m)=m\times H^{'}\times W^{'}+y\times H^{‘}+xn(x,y,m)=m×H′×W′+y×H‘+x
INy(i)=y×S0+iIN_y(i)=y\times S_0+iINy(i)=y×S0+i
INx(j)=x×S1+jIN_x(j)=x\times S_1+jINx(j)=x×S1+j
S_0是垂直步长,S_1是水平步长
- 其中,
- 流模块可用来代替传统网络中的全局平均池化层和全连接层
网络结构
- 除了流模块,还有 Block A/B/C 来构成 FeatherNet A/B
- 基于深度数据训练的模型可以达到 0.003 ACER
- 对于深度模型不确定的样本,IR数据可以提供较好的伪判断性能
- 第一阶段由多个用深度数据训练的模型加权平均得到,对于不确定的样本进行第二阶段的判断,第二阶段用IR数据训练FeatherNetB模型,若第二阶段判断为假,则作为最后结果,若判断为真,则结合第一阶段的结果共同决定。
评价标准
- Attack Presentation Classification Error Rate (APCER)
- Normal Presentation Classification Error Rate (NPCER)
- Average Classification Error Rate (ACER)
实验结果
2019 FeatherNets: Convolutional Neural Networks as Light as Feather for Face Anti-spoofing相关推荐
- 【FeatherNets】《FeatherNets:Convolutional Neural Networks as Light as Feather for Face Anti-spoofing》
CVPR-2019 workshop code:https://github.com/SoftwareGift/FeatherNets_Face-Anti-spoofing-Attack-Detect ...
- CV:翻译并解读2019《A Survey of the Recent Architectures of Deep Convolutional Neural Networks》第一章~第三章
CV:翻译并解读2019<A Survey of the Recent Architectures of Deep Convolutional Neural Networks>第一章~第三 ...
- 62_LP-3DCNN: Unveiling Local Phase in 3D Convolutional Neural Networks 2019 论文笔记
LP-3DCNN: Unveiling Local Phase in 3D Convolutional Neural Networks 三维卷积神经网络局部相位的揭示 目录 LP-3DCNN: Unv ...
- Graph Convolutional Neural Networks for Predicting Drug-Target Interactions
1. 摘要 2. 数据集 DUDE数据集改进 DUDE-chemBl负样本数据集 最大无偏数据集(MUV) 3. 图构建 pocket graph molecuar graph 4. 口袋pretra ...
- DEEPCON: protein contact prediction using dilated convolutional neural networks with dropout
今天真的要开始正式进入科研状态了,之前一直都进入失败,咳!那就先来看一篇相关领域的论文吧 ---------------------------------------------- 题目:DEEPC ...
- Orthogonal Convolutional Neural Networks
文章目录 概 主要内容 符号说明 Y = C o n v ( K , X ) Y=Conv(K,X) Y=Conv(K,X)的俩种表示 Y = K X ~ Y=K\tilde{X} Y=KX~ Y = ...
- 【读点论文】EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks网络结构要像身材一样匀称且体量和处理能力匹配
EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks Abstract 卷积神经网络(ConvNets)通常 ...
- keras构建卷积神经网络(CNN(Convolutional Neural Networks))进行图像分类模型构建和学习
keras构建卷积神经网络(CNN(Convolutional Neural Networks))进行图像分类模型构建和学习 全连接神经网络(Fully connected neural networ ...
- 【文本分类】Deep Pyramid Convolutional Neural Networks for Text Categorization
·阅读摘要: 本文提出了DPCNN(深度金字塔CNN)模型.在transformer.bert还没兴起的年代,模型越深效果越好,但是模型的复杂度会随着深度提升.粗略地说,DPCNN就是为了解决CN ...
最新文章
- 【NCEPU】凌亮:Linux实践
- GNN教程:第六篇Spectral算法细节详解!
- select()函数以及FD_ZERO、FD_SET、FD_CLR、FD_ISSET(转)
- 【LDA学习系列】Gibbs采样python代码
- 僵尸进程的产生,危害和解决方案
- 机器学习算法总结--EM算法
- mysql修改客户端编码命令_mysql命令行修改字符编码
- ThinkPHP6项目基操(19.实战部分 Mysql模型事务操作)
- 为什么要 conda 作用_烤箱预热有什么作用?为什么烘焙一定要预热烤箱?怎么正确预热?...
- 菜鸟学习笔记:Java提升篇9(网络1——网络基础、Java网络编程)
- 软考系统集成项目管理工程师 | 计算题公式汇总
- STM32L476+STM32cubeMx+Freemodbus移植记录
- 低效程序员的九个坏习惯
- 二位、三位国家码附SQL语句
- MOS管过大电流时关断为什么会出现尖峰电压
- Hook android系统调用研究(一)
- html游戏围棋源码,C++围棋游戏
- 一个产品经理的自述:我在腾讯工作的这一年
- 来,吃了许嵩这颗毒药
- self与static的浅薄理解
热门文章
- OPenGL 基本知识(根据自己理解整理)
- 【HJL-E6/A数字式交流电流继电器】
- windows os x linux比较,windows、Linux与OS X相比,哪个系统更适合写代码?
- 如何知道您是否准备从Mac切换到Linux
- C++从零开始 一(C++ primer plus 第六版)
- Java常量池[乐乐独记]
- 《炬丰科技-半导体工艺》ZnO多晶薄膜异质结
- BDP数据可视化分析工具,TAGUL数据可视化分析工具
- Ubuntu 18.04 WPS导出pdf部分线条变粗(okular的小问题)
- 浅谈屏幕适配 dp dip sp dpi ppi px sp