[人脸活体检测] 论文： Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision

Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision

论文简介

与人脸生理相关的rppG信号被研究者广泛运用于活体检测，文[3]中使用了CNN和RNN分别预测人脸深度和rppG信号提升了活体检测的精度。

文章引用量：50+

推荐指数：✦✦✦✦✦

[3] Liu Y, Jourabloo A, Liu X. Learning deep models for face anti-spoofing: Binary or auxiliary supervision[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 389-398.

作者认为现存大多数活体算法用binary classification监督不够合理，也不能说明预测结果的依据（模型是否学习到真正的活体与攻击之间差异），故提出CNN-RNN框架，采用pixel-wise的深度图监督方式和sequence-wise的rPPG信号监督方式（如下图），并提出高分辨率+丰富PIE的数据集SiW；试验在cross-test取得了sota。

主要贡献：

• 提出用深度图和rPPG信号作为CNN学习的监督信息，提高模型泛化能力；
• 提出CNN-RNN框架，支持深度图和rPPG信号的end-to-end训练；