监控人脸反欺诈
本文介绍了通过收集大规模 SuHiFiMask 数据集并举行面部表现攻击检测挑战赛来填补 FAS 领域中的空白,从而探讨长距离场景中的反欺骗技术,挑战吸引了 180 支队伍参加开发及最终比赛,本文也提供了排名最高的算法及其在攻击检测领域中的研究思路。
Apr, 2023
本文提出了一种大规模的、高保真度面具数据集 HiFiMask,设计了协议 3 来评估算法在开放场景下的识别和推广能力,并组织了一场 3D 高保真度面具面部攻击检测挑战赛,最终提供了排名算法的概述分析以及面具攻击检测的相关研究思路。
Aug, 2021
通过建模数据的不确定性,本研究提出了一种将传统面部反欺骗(FAS)点估计转换为分布估计的方法,以提高 FAS 在长距离监控场景中的稳定性和准确性。该方法在 SuHiFiMask 数据集上得到了验证,并在 ACER 和 AUC 指标上表现出可比较的性能。
Sep, 2023
本研究提出了一种先进的重新平衡对比学习策略,旨在加强人脸识别系统中的人脸反欺骗能力,重点应对印刷照片和高度逼真的硅胶或乳胶面具带来的挑战。通过利用 HySpeFAS 数据集,该数据集利用快照光谱成像技术提供高光谱图像,我们的方法将类别级别的对比学习与数据重采样和创新的面向真实脸部的重新加权技术相结合。该方法有效地抑制了数据集不平衡和减少与身份相关的偏差。值得注意的是,我们的策略在 HySpeFAS 数据集上取得了前所未有的 0.0000%的平均分类错误率(ACER),在 CVPR 2024 年 Chalearn 快照光谱成像人脸反欺骗挑战赛中名列第一。
May, 2024
本研究介绍了一个大规模的 Hi-FiMask 数据集及其 Contrastive Context-aware 学习框架,该框架用于对面部 Presentation Attack Detection(PAD)进行监督式训练,并取得了良好效果。
Apr, 2021
本研究将人脸防欺骗重新定义为材料识别问题,并结合人的材料感知,提出了多级双边卷积网络(BCN)及多级特征细化模块(MFRM)和多头监督,以提取辨别性和鲁棒性特征,实验表明该方法在六个基准数据集上性能优异。
Jul, 2020
介绍野外人脸防炸数据集(WFAS),该数据集包含 853,729 张交错图像,涵盖了 321,751 个欺诈主题和 148,169 个真实主题,集成了从互联网获得欺诈数据,并在 CVPR2023 工作坊上主持了野生人脸反欺诈挑战。
Apr, 2023
通过可视化方法来直观反映模型的训练结果,并展示数据增强技术对跨领域 Face Anti-Spoofing 任务的有效性,同时基于训练数据集的分布提出了一种设置阈值的方法。最终在两个竞赛中获得了第二名。
Apr, 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