CVPR2020人脸防伪检测挑战赛冠亚军论文解读（下篇）(4)

上图展示的是文章中用的 Baseline network [4]，是18年CVPR中MSU提出来的，我们只用了其单帧伪深度预测的那部分结构。为了公平对比，我们不改变任何的网络架构，只将原始卷积全部换成CDC，结果如下图所示：

Fig. 6 (a) 可见，在OULU-NPU的 protocol-1上，baseline(θ=0)的结果为ACER=3.8%，而随着θ越来越大，性能逐渐变好，当θ=0.7时，取得了最好的性能 ACER=1.0%。也就是说，局部零阶intensity信息和一阶gradient差分信息都在网络中扮演重要的角色，且在活体检测任务中，梯度信息的作用稍微重要一点。
另外我们也探讨了CDC与现有的 LBConv [5] 和 GaborConv [6] 的性能差异，如 Fig. 6 (b) 所示，CDC在活体检测任务中性能远超它们。
搜索一个中心差分卷积神经网络CDCN ：
基于CDC的搜索空间，作者用PC-DARTS [7] 进行low-level, mid-level和high-level的cell架构搜索；如图所示：

在搜出来的backbone里再添加上多级注意力模块，进一步整合multi-level特征，得到 CDCN ；如图所示：