CVPR2020人脸防伪检测挑战赛冠亚军论文解读（下篇）(6)

在跨数据集测试协议上，Train on CASIA-MFSD，Teston Replay-Attack上达到了SOTA水平，在Trainon Replay-Attack, Test on CASIA-MFSD上结果不如FAS-TD与FAS-SGTD[2]。
另外作者在zero-shot的测试协议上也做了实验，zero-shot测试协议为CASIA-MFSD, Replay-Attack, MSU-MFSD三个数据集上的“留一”法实验，结果如下表所示：
CDCN 的结果在大多数协议上甚至超过了专门针对这种cross-type问题的zero-shot方法DTN[3]；可见CDC与CDCN 的泛化能力也是很强的。
5
总结
网络结构目前仅针对depth regression的人脸防伪方法是有提升的，未来要扩展到其他方法上，并且在更大的数据集上进行试验。也希望未来的NAS search space里都把CDC考虑进去，毕竟普通vanilla卷积只是CDC的一种特例，使用CDC进行搜索，具有更大的可能性。
Reference:
[1]Zitong Yu et al., Searching Central Difference Convolutional Networks for FaceAnti-Spoofing, CVPR2020
[2]Zezheng Wang et al., Deep Spatial Gradient and Temporal Depth Learning for FaceAnti-spoofing, CVPR2020 (Oral)
[3]Yaojie Liu et al., Deep tree learning for zero-shot face anti-spoofing,CVPR2019
[4]Yaojie Liu et al., Learning deep models for face anti-spoofing: Binary orauxiliary supervision, CVPR2018
[5]Felix Juefei-Xu et al., Local binary convolutional neural networks, ICCV2017