CVPR2020人脸防伪检测挑战赛冠亚军论文解读(下篇)(4)
2023-05-01 来源:飞速影视
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:
本站仅为学习交流之用,所有视频和图片均来自互联网收集而来,版权归原创者所有,本网站只提供web页面服务,并不提供资源存储,也不参与录制、上传
若本站收录的节目无意侵犯了贵司版权,请发邮件(我们会在3个工作日内删除侵权内容,谢谢。)
www.fs94.org-飞速影视 粤ICP备74369512号