CVPR2020人脸防伪检测挑战赛冠亚军论文解读（下篇）(2)

论文地址：https://arxiv.org/abs/2003.04092
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 ），该网络结构可与多尺度注意力融合模块（MAFM）组装，进一步提升性能。在6个基准数据集上进行了综合实验，结果表明：1)所提出的方法不仅在数据集内部测试中取得了优异的性能(特别是在OULU-NPU数据集（Protocol1）实现了0.2%的ACER)，2)在跨数据集测试中也有很好的通用性(特别是从CASIAMFSD到Replay-Attack数据集，实现了6.5%的HTER)。
3
方法
通过下图我们可以直观的看到普通卷积与中心差分卷积（CDC）在伪造线索捕捉上的差异，使用普通卷积非常容易受到光照camera型号等影响，而使用CDC后网络更能捕捉到spoofing的本质特征，且不容易受到外部环境的影响。

中心差分卷积神经网络CDCN：