30、多通道人脸呈现攻击检测的实验研究与成果

多通道人脸呈现攻击检测的实验研究与成果

1. MLFP 数据集实验

在 MLFP 数据集的实验中，由于其他通道未同时捕获，仅使用了 RGB 通道。对于 MCCNN 框架和其他基线方法，“R”“G”“B”被视为不同通道。实验在三个新创建的协议下进行，结果如下表所示：
| 算法 | 综合测试（Grandtest） | 未见过的打印攻击（Unseen print） | 未见过的面具攻击（Unseen mask） |
| — | — | — | — |
| MC - RDWT - Haralick - SVM | 9.8 | 12.0 | 32.2 |
| MC - LBP - SVM | 6.3 | 27.1 | 9.3 |
| MC - RDWT - Haralick - GMM | 27.4 | 40.8 | 21.5 |
| DeepPixBiS (RGB only) | 6.3 | 24.8 | 17.5 |
| MCCNN (BCE) | 5.5 | 9.2 | 5.2 |
| MCCNN (BCE + OCCL) - GMM | 1.2 | 3.3 | 3.4 |

从表中结果可以看出，基于 CNN 的方法优于基于特征的方法。MCCNN 框架在加入新提出的损失函数后，性能优于仅使用 BCE 训练的架构，这显示了该方法的有效性。不过，此实验未充分利用多通道信息，该架构也未针对 RGB 下的 PAD 进行优化，此实验仅用于展示新损失函数对性能的影响。即便如此，该方法在所有协议中的表现仍优于基线方法。

2. SiW - M 数据集实验

在 SiW - M 数据集的实验中，同样仅考