学习卷积神经网络进行人脸反欺骗
本文通过基于卷积神经网络的 Inception 和 ResNet 模型在 MSU Mobile Face Spoofing 数据库上的表现,研究了如何应用这些深度学习算法实现面部反欺骗的生物特征访问控制。
May, 2018
本文使用卷积神经网络(CNN)中的局部特征来提高面部欺骗检测的性能,并且在整个面部图像上进行预训练,使 CNN 可以学习不同的本地欺骗线索,从而改进了性能并提高了最终模型的收敛速度。
Jun, 2018
本文提出了一种新型的人脸反欺诈方法,旨在通过解缠活体特征和内容特征从图像中提取最终进行分类的活体特征,并采用卷积神经网络和低层级和高层级监控的结合来提高其泛化能力,并在公共基准数据集上进行了充分的实验结果验证。
Aug, 2020
本文提出了一种利用无监督预训练改进性能的方法,介绍了 Entry Antispoofing 数据集来进行监督微调,并提出了一种多类别辅助分类层,以增强检测欺骗企图的二进制分类任务,实现了在多个数据集上的最新结果。
Jun, 2022
本文提出了一种基于条件分类器领域鉴别器的活体检测方法,该方法结合了梯度反转层,以产生具有鉴别性而又对环境光照、分辨率等因素具有鲁棒性的真人和虚假特征,该方法在图像和视频方面均优于现有的反欺诈技术。
Dec, 2019
本文提出了一种基于 CNN 和度量学习的两阶段方法,以实现面部验证和识别。实验表明,该方法优于其他最先进的方法,获得 99.77% 的成对验证准确度,并在其他两个更实用的协议下获得更好的准确度。本文也讨论了数据大小和补丁数量的重要性,展示了通往实际高性能面部识别系统的明确途径。
Jun, 2015
本文提出一种基于 Hypergraph 卷积神经网络 (HGCNN) 的 3D 人脸防假攻击方法,该方法利用构建的超图表示进行特征提取,在深度辅助下实现 3D 假面防护,并构建 3D 人脸攻击数据库进行验证,实验表明该方法在各类测评中均达到了最新的防御水平。
Nov, 2018
该论文提出了一种基于 CNN 的面部反欺骗检测方法,使用总成对混淆(TPC)损失和快速域适应(FDA)组件来提高泛化性能和适用性,同时进行面部反欺骗和面部识别的多任务学习。实验结果表明,该模型在面部反欺骗方面优于之前的方法,并很好地保留了输入面部图像的身份信息。
Jan, 2019
本文提出了一种使用 CNN 框架利用目标领域的稀疏标记数据来改善人脸防欺骗模型跨数据集测试性能的方法,实验结果表明仅使用少量标记样本即可显著提高模型的泛化能力。
Jan, 2019