-
题名基于解纠缠表示学习的人脸反欺骗算法
- 1
-
-
作者
周毅岩
石亮
张遨
岳晓宇
-
机构
江苏科技大学计算机学院
-
出处
《计算机应用研究》
CSCD
北大核心
2024年第8期2502-2507,共6页
-
基金
2022年江苏省高校“智慧教育与教学数字化转型研究”专项课题。
-
文摘
针对现有人脸反欺骗模型面对不同应用场景识别精度低、泛化性能不佳的问题,引入解纠缠表示学习,提出一种基于解纠缠表示学习的人脸反欺骗方法。该方法采用U-Net架构和ResNet-18作为编/解码器。首阶段训练中,通过输入真实样本使得编码器仅学习到真实样本相关信息。第二阶段,构建对抗性学习网络,输入不具标签的样本,将预训练的编码器输出和新编码器输出进行特征融合,由解码器重建图像,在鉴别器中与原始图像进行对抗训练,以实现特征的解耦。模型与一些经典人脸反欺骗方法相比,有着更好的检测性能,在OULU-NPU数据集的数个实验中,最低的检测错误率仅为0.8%,表现优于STDN等经典检测方法。该人脸反欺骗方法通过分阶段训练的方式,使得模型在对抗性训练中获得了相比端到端模型更具判别性的特征表示,在欺骗特征图输出阶段采用多分类策略,减小了不同的图像噪声对分类结果的影响,在公开数据集上的实验验证了算法的有效性。
-
关键词
人脸反欺骗
解纠缠表示学习
多分类
域泛化
-
Keywords
face anti-spoofing
disentangled representation learning
multiclass classification
domain generalization
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于多模态融合的人脸反欺骗算法研究
被引量：3
- 2
-
-
作者
颜增显
孔超
欧卫华
-
机构
广西现代职业技术学院
贵州师范大学
-
出处
《计算机技术与发展》
2022年第4期63-68,85,共7页
-
基金
国家自然科学基金地区基金(61962010)
贵州省优秀青年科技人才培养对象(2019[5670])
-
文摘
人脸反欺骗技术可以准确判断捕获的人脸图像是真实人脸还是虚假人脸,是人脸识别系统安全的重要保障。传统的人脸反欺骗方法主要是利用手工设计的特征,如LBP、HoG、SIFT、SURF和DoG来刻画真实人脸和虚假人脸之间的不同特征分布,但人工设计的特征难以适应无约束环境下(如光照、背景的变化)的人脸反欺骗问题。鉴于此,该文提出一种多模态融合卷积神经网络模型,通过融合不同模态上的人脸特征来实现鲁棒的人脸反欺骗。首先根据通道注意力网络设计了多模态共享分支网络来实现特征提取过程中不同模态间的信息交互,然后在通道注意力融合网络的基础上提出了多模态通道注意力融合网络来融合不同模态的特征,最后利用融合后的多模态特征进行分类。在CASIA-SURF数据集上的大量实验结果表明,与主流的多模态人脸反欺骗方法(multi-scale fusion)相比,该方法在APCER和ACER指标上分别降低了1.1%和0.4%,充分证明该方法可以有效融合不同模态的特征,提高模型的鲁棒性。
-
关键词
人脸反欺骗
多模态融合
多模态共享分支
多模态通道注意力融合
多模态特征
-
Keywords
face anti-spoofing
multi-modal fusion
multi-modal shared branch
multi-modal channel attention fusion
multi-modal features
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
-
题名基于区域分块和轻量级网络的人脸反欺骗方法
- 3
-
-
作者
贺丹
何希平
李悦
袁锐
牛园园
-
机构
重庆工商大学人工智能学院
检测控制集成系统重庆市工程实验室(重庆工商大学)
-
出处
《计算机应用》
CSCD
北大核心
2022年第12期3708-3714,共7页
-
基金
重庆市研究生科研创新项目(CYS21398)
重庆工商大学研究生科研创新项目(yjscxx2021-112-99)。
-
文摘
如何高效地辨别各种被攻击的人脸是人脸识别过程中迫切需要解决的问题。基于深度学习的人脸反欺骗方法在有着高性能的同时,也带来了庞大的参数量和计算量,使其无法部署在移动或嵌入式设备中。针对以上问题,提出了一种基于区域分块和轻量级网络的人脸反欺骗方法。首先,对训练样本进行随机区域分块;然后,设计了一种基于注意力机制的轻量级网络用于特征提取和图像分类;最后,为了提高测试准确率,对测试样本进行基于区域分块的数据扩增。实验结果表明,所提模型在CASIA-FASD和REPLAY-ATTACK数据集上达到了100%的准确率;在CASIA-SURF数据集的Depth模态上获得了99.49%的准确率和0.4580%的平均分类错误率(ACER),远优于ResNet、ShuffleNet等卷积神经网络,且该模型的参数量也仅有0.2582 MB。在实际应用中,端到端的轻量级网络结构使所提模型更方便部署在移动设备上来进行实时的人脸反欺骗检测。
-
关键词
人脸反欺骗
区域分块
中心差分卷积
注意力机制
轻量级网络
卷积神经网络
-
Keywords
face anti-spoofing
regional blocking
Central Difference Convolution(CDC)
attention mechanism
lightweight network
Convolutional Neural Network(CNN)
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于多模态融合的人脸反欺骗技术
- 4
-
-
作者
穆大强
李腾
-
机构
安徽大学电气工程与自动化学院
-
出处
《图学学报》
CSCD
北大核心
2020年第5期750-756,共7页
-
基金
国家自然科学基金项目(61572029)
安徽省杰出青年基金项目(1908085J25)。
-
文摘
在先前的人脸反欺骗方法中大多使用手工提取的特征或者仅使用单一模态上的人脸特征,并且很少注意到多通道色度的差异,因此得到的人脸反欺骗模型的鲁棒性较差以至于无法有效地区分真假面孔。鉴于此,卷积神经网络(CNN)被用作特征提取器来代替手工特征的提取,并且一种有效的多输入CNN模型被提出,以融合多种模态上的人脸特征以实现更具有鲁棒性的人脸反欺骗。通过对人脸图像上的2个不同颜色特征(即HSV和YCbCr)以及时间特征进行联合建模,探索了人脸反欺骗的最佳鲁棒表示。在REPLAY_ATTACK和CASIA-FASD 2个基准数据集上进行的大量实验表明,该方法可实现最先进的性能。且在REPLAY_ATTACK上获得0.23%的错误率(ERR)与0.49%的半错误率(HTER)和在CASIA-FASD数据库上获得1.76%的错误率与3.05%的半错误率。
-
关键词
人脸反欺骗
多模态特征
多输入卷积神经网络
模型鲁棒性
融合
-
Keywords
face anti-spoofing
multimodal feature
multi-input convolutional neural network
model robustness
fusion
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于自注意力网络的多模态人脸反欺骗
- 5
-
-
作者
孔超
-
机构
贵州师范大学
-
出处
《现代计算机》
2021年第6期82-85,90,共5页
-
文摘
人脸反欺骗是指判别捕获的人脸是真实人脸还是假人脸攻击,它可以有效保护人脸识别系统免受演示攻击,例如照片、面具.视频回放等。传统的人脸反欺骗方法主要是利用人工设计的特征,如LBP.HoG.SIFT.SURF和DoG来刻画真实人脸和欺骗人脸之间的不同特征分布。但是很难针对无约束环境中的不同变化设计出鲁棒的特征。基于卷积神经网络(CNN)进行多模态人脸反欺骗的方法,在无约束环境下取得了良好的实验效果,但现有方法主要是多模态特征简单的拼接,没有充分利用不同模态间互补信息。本文提出一种基于自注意力网络的多模态特征融合模型。将从不同模态的图像块中提取的特征通过通道注意力网络选择有效通道特征后进行拼接.并利用自注意力网络在拼接后的多模态特征中选择对人脸反欺骗具有更多贡献的公共空间区域,最后用卷积神经网络融合三种模态的特征进行分类。CASIA-SURF数据集上的实验结果表明,与已有方法比较,本文的方法在CASIA-SURF上获得0.5%ACER的结果。
-
关键词
人脸反欺骗
自注意力网络
图像块
多模态特征
-
Keywords
Face Anti-Spoofing
Self-Attention Network
Image Block
Multi-Modal Feature
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于半监督学习的人脸识别反欺骗方法研究
被引量：1
- 6
-
-
作者
李莉
曾伟良
黄永慧
孙为军
-
机构
广东工业大学自动化学院
-
出处
《智能科学与技术学报》
2021年第3期370-380,共11页
-
基金
国家自然科学基金资助项目(No.61803100)
广东省重点领域研发计划资助项目(No.2019B010118001)。
-
文摘
鉴别图像中的真伪人脸是一个长期具有挑战性的问题。当合成的伪造人脸十分逼真时,机器识别难分真假,甚至肉眼也难以区分。基于监督学习的真伪人脸识别建模往往需要大量的标签样本,模型的性能严重依赖样本的规模。提出一种基于半监督学习的人脸识别反欺骗方法,以减少对大量标签样本的依赖。该方法利用图像修复模型来学习人脸图像潜在的数据分布。在训练过程中,少量标签样本周期性地提供有监督信号来训练分类器,以区分真伪人脸。该方法可用于不同场景的伪造人脸,如基于摄像头拍摄的人脸或生成对抗网络生成的人脸。在NUAA数据集和口罩遮挡人脸数据集RMFD上进行验证,实验结果表明,所提方法能够在不降低修复图像质量的情况下达到理想的分类精度。仅依靠少量带标签图像,所提方法比Improved-GAN方法和常用的半监督机器学习方法优势更明显,并优于支持向量机和卷积神经网络的监督学习方法。
-
关键词
人脸反欺骗
半监督学习
生成对抗网络
图像修复
-
Keywords
face anti-spoofing
semi-supervised learning
generative adversarial network
image inpainting
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名纹理和深度特征增强的双流人脸呈现攻击检测方法
被引量：2
- 7
-
-
作者
孙锐
冯惠东
孙琦景
单晓全
张旭东
-
机构
合肥工业大学计算机与信息学院
合肥工业大学工业安全与应急技术安徽省重点实验室
-
出处
《模式识别与人工智能》
EI
CSCD
北大核心
2023年第3期242-251,共10页
-
基金
国家自然科学基金面上项目(No.61876057)
安徽省自然科学基金项目(No.2208085MF158)
安徽省重点研发计划-科技强警专项项目(No.202004d07020012)资助。
-
文摘
人脸呈现攻击是一种利用照片、视频等将人脸通过媒介呈现在摄像头前欺骗人脸识别系统的技术.现有的人脸呈现攻击检测方法大多采用深度特征辅助监督分类,忽略有效的细粒度信息以及深度信息与纹理信息的相互联系.因此,文中提出纹理和深度特征增强的双流人脸呈现攻击检测方法.一端网络通过中心差分卷积网络提取比原始卷积网络更鲁棒的欺骗人脸纹理模式.另一端网络通过生成对抗网络生成深度图的深度线索,提高对外观变化和图像质量差异的稳定性.在特征增强模块中,设计中心边缘损失,对两类互补特征进行融合和增强.在4个数据集上的实验表明,文中方法在数据集内以及跨数据集的测试中都取得较优性能.
-
关键词
呈现攻击检测
人脸反欺骗
生成对抗网络
特征增强
中心边缘损失
-
Keywords
Presentation Attack Detection
Face Anti-Spoofing
Generative Adversarial Network
Feature Enhancement
Center Edge Loss
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
