Jul, 2023

深度集成学习中的帧跳过用于人脸防伪

PDF
TL;DR将人脸防伪任务重新构建为动作预测问题，并引入了一个含有跳帧机制的深度集成学习模型。通过对原始视频进行切割，并选取每个视频片段的第 n 帧来培训三个循环神经网络，从而改进了整体的识别表现。在四个数据集上进行了大量实验证明，在最具挑战性的跨数据集测试场景中，MSU-MFSD（3.12%），Replay-Attack（11.19%）和 OULU-NPU（12.23%）的半总误差率（HTER）上报告了顶尖性能。
face presentation attacksspoofing attacksanti-spoofingmotion predictionensemble learning
发现论文，激发创造
  • 面部防欺诈的深度频繁空时学习

    本研究提出了一种基于二流 FreqSaptialTemporalNet 的人脸反欺诈新方法，通过融合多种信息来提高性能并采用频谱图像作为一个输入流，以实现自动发现真假视频之间的主要差异。同时，利用适当的数据增强方法以解决数据不足的问题。

    Jan, 2020

  • 人脸防照片攻击的深度空间梯度与时间深度学习

    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

  • 利用时间和深度信息进行多帧人脸反欺骗

    该研究提出了一种新的基于多个 RGB 帧估计深度信息的深度监督架构，用以编码面部攻击检测的时空信息，包括两个新颖的模块：光流引导特征块和卷积门循环单元模块，可以提取短期和长期运动以区分活体和欺骗面部。实验结果表明，该方法在四个基准数据集（OULU-NPU、SiW、CASIA-MFSD 和 Replay-Attack）上达到了最先进的水平。

    Nov, 2018

  • 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

  • 在人脸反欺诈中提升跨领域泛化性能：洞见、设计与度量

    本文介绍了一种增强数据域广义化中反欺骗性能的新视角，并提出了一种在视频层面上以度量为基础的方法，用于优化模型的稳定性和泛化能力。研究结果显示，简单地扩大模型的骨干网络并不能本质上改善模型的不稳定性，因此我们从贝叶斯的角度提出了一种集成骨干网络的方法，该方法在度量和欺骗准确度方面均取得了更好的结果，并能利用不确定性测量的优势，在训练过程中实现增强抽样以提升模型的泛化能力。通过在 OMC 数据集以及 CelebA-Spoof 和 SiW-Mv2 数据集上进行评估，我们的最终模型在偏差、方差、HTER 和 AUC 等指标上均超过了现有的最先进方法，展示了在这些方面的进展。

    Jun, 2024

  • 面部反欺诈学习深度模型：二进制或辅助监督

    本研究介绍了一种通过 CNN-RNN 模型学习面部深度和估计 rPPG 信号来识别真实人脸和虚假人脸的新型面部反欺诈方法，并提出了一种新的面部反欺诈数据库，数据集包含大范围的变化。实验结果表明，该模型在数据库内和跨数据库测试上均达到了最先进水平。

    Mar, 2018

  • 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

  • 使用 CNN-LSTM 结构增强面部防攻击的动态提示

    本论文提出了一种基于 CNN-LSTM 网络的人脸反欺诈方法，专注于视频帧间的运动线索，在回放攻击和 MSU-MFSD 数据库上表现出目前最先进的性能和更好的泛化能力。

    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

  • 通过识别时间转换进行视频表示学习

    本研究提出了一种新颖的自监督学习方法来学习对于动态运动变化有响应的视频表征，通过训练神经网络来区分不同的时间变换的视频序列，使得无需人工标注数据即可准确地识别视频中的不稳定运动并增强神经网络在小数据集上的训练。该方法经过实验证明，可显著提高 UCF101 和 HMDB51 上的动作识别的传递性能。

    Jul, 2020