超图表示在人脸防伪中的探索:超越 2D 攻击
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
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
本论文提出了一种使用多帧和深度学习方法进行面部防欺骗的新方法,通过 Residual Spatial Gradient Block 和 Spatio-Temporal Propagation Module 等技术实现了优秀的检测性能,在多个数据集上均取得了最先进的结果。
Mar, 2020
本文提出一种新的对抗超真实 3D 人脸攻击的方法,基于细粒度分类,使用多个颜色通道的因式双线性编码并提取 RGB 和 YCbCr 空间的鉴别性和互补信息,同时收集了大规模蜡像人脸数据库进行实验验证并取得了最先进的性能。
May, 2020
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
通过将现有的 2D 特征与 3D 特征相结合,引入 3D-ID Loss 指导模型学习过程,提出一种创新方法来克服当前单眼 3D 人脸重建方法中所遇到的挑战,从而提高 3D 结构特征的重建效果。
Mar, 2024
本文提出了一种基于密集人脸标记的几何感知交互网络(GAIN)来区分正常和异常 Movements,通过与现有方法结合,显著提高了性能,该方法在标准的内部和跨数据集评估中取得了最先进的性能,在 CASIA-SURF 3DMask 上超越了最先进的方法,在跨数据集和跨类型协议下表现出强大的稳健性。
Jun, 2023
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