Aug, 2014

学习卷积神经网络进行人脸反欺骗

PDF
TL;DR本研究采用深度卷积神经网络（CNN）学习特征，在经过数据预处理后，能够大幅提高面部防欺诈性能，使得在 CASIA 和 REPLAY-ATTACK 数据集中相对错误率降低超过 70％，同时在两个数据集之间的交叉测试中，实验结果表明 CNN 能够获得更好的泛化能力，使用两个数据集的组合数据训练的网络在两个数据集之间具有更少的偏差。
发现论文，激发创造
  • 卷积神经网络在人脸反欺诈中的性能评估

    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

  • 深度局部特征学习在人脸防欺骗检测中的应用

    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

  • 一种紧凑型深度学习模型用于人脸欺骗检测

    本文采用宽与深特征融合的神经网络结构来解决假攻击检测问题，并在多个数据集上进行了实验验证。

    Jan, 2021

  • 通过分离表示学习进行人脸反欺骗

    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

  • 基于半监督学习的人脸反欺诈通用方法

    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

  • 基于图像和视频的人脸反欺诈领域无关特征学习

    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

  • 以深度嵌入为手段实现极致准确性：人脸识别

    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

  • 超图表示在人脸防伪中的探索：超越 2D 攻击

    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

  • 学习通用和身份鉴别的面部防欺诈表示

    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

  • 跨域人脸反欺诈的深度转移

    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