[人脸活体检测] 论文：Searching Central Difference Convolutional Networks for Face Anti-Spoofing

最新推荐文章于 2025-10-31 15:31:04 发布

原创

最新推荐文章于 2025-10-31 15:31:04 发布 · 2.5k 阅读

13 ·

CC 4.0 BY-SA版权

本文介绍了在CVPR2020挑战赛中获得佳绩的奥卢大学和明略科学院团队的方法，即中心差分卷积神经网络（CDCN）和CDCN++。CDCN利用中心差分卷积捕捉内在细节模式，增强模型稳健性，而CDCN++通过神经结构搜索发现更优网络结构。实验结果显示，这种方法在多个数据集上取得出色性能，尤其是在人脸防伪任务中展现了高鲁棒性和泛化能力。

文章目录

Searching Central Difference Convolutional Networks for Face Anti-Spoofing

Searching Central Difference Convolutional Networks for Face Anti-Spoofing

在CVPR2020由中科院自动化研究所模式识别国家重点实验室主办的ChaLearnFace Anti-spoofing Attack Detection Challenge人脸防伪检测挑战赛中，由奥卢大学与明略科学院深度学习实验室等组成的团队，斩获多模态赛道冠军和单模态赛道亚军。

此次挑战赛中，奥卢大学和明略科学院团队运用的方法，主要来自于《Deep Spatial Gradient and Temporal Depth Learning for FaceAnti-spoofing(FAS-SGTD [2]), CVPR2020 (Oral)》和《Searching Central Difference Convolutional Networks for FaceAnti-spoofing(CDCN [1]), CVPR2020》两篇论文的研究成果。

这篇解读，将重点介绍《Searching Central Difference Convolutional Networks for FaceAnti-spoofing(CDCN [1]), CVPR2020》的内容。

论文地址：https://arxiv.org/abs/2003.04092
代码地址：https://github.com/ZitongYu/CDCN

1 导读

人脸防伪（FAS）在人脸识别系统中起着至关重要的作用。大多数最先进的FAS方法依赖于堆叠卷积和专家设计的网络，在描述详细的纹理信息方面比较弱，在环境变化（如不同的光照度）时容易失效，并且倾向于使用长序列作为输入来提取动态特征，这使得该方法很难部署到需要快速响应的场景中。

2 简介

《Searching Central Difference Convolutional Networks forFace Anti-spoofing(CDCN [1]), CVPR2020》论文，提出了一种基于中心差分卷积（CDC）的新型帧级FAS方法，它能够通过聚合强度和梯度信息来捕获内在的详细模式。用CDC构建的网络，称为中心差分卷积网络（CDCN），相较于用普通卷积构建的网络，能够提供更稳健的建模能力。

此外，在一个专门设计的CDC搜索空间上，可利用神经结构搜索（NAS）发现更强大的网络结构（CDCN++），该网络结构