深度局部特征学习在人脸防欺骗检测中的应用
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。
Aug, 2014
本文提出了一种基于显示抑制背景噪声和学习多尺度可区分特征的方法,将人脸伪造检测问题归纳为细粒度分类问题,并在不同数据集和伪造技术的实验场景中实验证明了方法的优越性。
Oct, 2023
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
本论文提出一种基于注意力机制的数据增广框架,用于改善卷积神经网络在伪造人脸检测中关注面部有限区域的现象,通过跟踪和遮蔽 Top-N 敏感面部区域,鼓励检测器深入挖掘以前忽略的区域,从而达到指出不同操纵技术生成的伪造面孔的表现最好的检测器训练效果,同时我们的方法能够轻松集成到各种 CNN 模型中。
Apr, 2021
该研究提出了一种基于自监督区域全卷积网络(SSR-FCN)的人脸反欺诈框架,通过自监督方式学习面部图像的局部判别性线索,从而提高了泛化性能,同时保持了整体人脸反欺诈方法的计算效率,具有可解释性,本方法在未知攻击下所达到的 TDR=65%@2.0% FDR,表现出色。
Jun, 2020
本论文提出了一种基于深度神经网络和元学习分类器相结合的方法,该方法利用图像固有属性探测面部 “假冒攻击”,在 PAD 领域最具挑战性的跨数据集协议上取得了超越最新成果的显著结果。
Feb, 2019