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

本文提出了一种基于中心差分卷积神经网络 (CDCN) 的多模式人脸防伪技术，能够对 RGB、深度和红外三种方式获取的数据进行准确的真假识别，成果在 2020 年 ChaLearn 人脸防伪攻击检测挑战赛中位居第一和第二名。

Apr, 2020

针对面部验证应用所需要效率极高和吞吐量大的需求，本文提出了基于混合深度卷积核的一组极其高效的深度学习模型 MixFaceNets，在多个数据集中对模型进行了评估，结果表明在计算复杂度相同的情况下，MixFaceNets 在所有的数据集上性能优于 MobileFaceNets，同时在计算复杂性在 500M 和 1G FLOPs 之间时，我们 MixFaceNets 的结果与排名前几位的模型相当，同时使用的 FLOPs 更少，验证了我们提出的 MixFaceNets 的实用价值。

Jul, 2021

PocketNet 是一种高度精准且轻量级的人脸识别解决方案，通过神经架构搜索和基于知识蒸馏的新型训练范式来提高模型的紧凑性和性能，并在九个基准测试中超越了当前最先进的紧凑型 FR 模型。

Aug, 2021

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 MobileFaceNets 类的 CNN 模型，其使用不到 100 万个参数，专为移动和嵌入式设备上的高准确度实时人脸验证而设计，并成功解决了普通移动网络在人脸验证方面的弱点，达到了与数百 MB 大小的最新大型 CNN 模型相媲美的高精度和更多超过 MobileNetV2 2 倍的实际加速。

Apr, 2018

通过设计 LightNet 总体架构、抽象出 Meta Light Block、提高表示能力的空间运算器和提高初始块的通道运算器以及引入感受野的概念，我们提出了一个名为 FalconNet 的新颖轻量级卷积神经网络模型，实验结果表明，与现有的轻量级 CNN 相比，FalconNet 可以用较少的参数和 Flops 实现更高的准确性。

Jun, 2023

通过引入轻量级的关注网络，以及多尺度特征融合，本研究的主要目标是克服在实际应用中计算复杂性和多视角头部姿势方面所面临的挑战，该方法在参数数量和对姿势变化的鲁棒性方面达到了业界先进方法的水平。

Mar, 2024

本文提出了一种定制的轻量级背骨网络 (BLite) 和一种轻量级人脸检测器 (FDLite)，采用常用的损失函数和学习策略进行训练，并在 WIDER FACE 验证数据集的不同子集上分别达到了 92.3%、89.8% 和 82.2% 的平均准确率 (AP)。

Jun, 2024

本文提出了一种名为 DFANet 的极其高效的卷积神经网络架构，用于在资源有限的情况下进行语义分割。通过子网络和子阶段级联聚合区分特征，通过多尺度特征传播，DFANet 大大减少了参数数量，并提高了模型学习能力，在速度和分割性能之间取得平衡。在 Cityscapes 和 CamVid 数据集上的实验证明了 DFANet 具有比现有最先进的实时语义分割方法快 2 倍，FLOPs 少 8 倍的卓越性能，同时提供可比较的准确性。具体而言，它在 Cityscapes 测试数据集上实现了 70.3％的 IOU 平均值，仅使用 1.7 GFLOPs，并在一张 NVIDIA Titan X 卡上以 160 FPS 的速度进行推断，在更高分辨率图像上推断时，实现了 71.3％的 IOU 平均值和 3.4 GFLOPs。

Apr, 2019