FeatherNets: Convolutional Neural Networks as Light as Feather for Face Anti-spoofing

CVPR, 2019

问题描述

•已知输入信息：一张人脸图片 

•期望输出结果：是否是篡改的人脸图片 

•性能评价指标：Attack Presentation Classification Error Rate (APCER), Normal Presentation Classification Error Rate (NPCER), Average Classification Error Rate (ACER) 

研发现状

•传统算法 

•多个特征提取器 (LBP, DoG, HOG, SIFT) + SVM 分类 •CNN 

•输入 RGB + FC/+PAC+SVM 

•输入 RGB + Depth image

核心思想和贡献

•GAP 替换成 Streaming Module 

•ensemble + cascade fusion

结构

Stream Module

DWConv

Blocks

FeatureNetB(learned from IR data)

Fusion

实验条件

•SGD 

•learning rate beginning at 0.001, and decaying 0.1 after every 60 epochs, and momentum setting to 0.9 

•The Focal Loss is employed with α = 1 and γ = 3

实验结果

算法综合分析

•优点 

•DWConv 在少量的参数下，起到了类似可变形卷积的作用, 考虑了位置 

•联合多个模型得出结果 

•缺点 

•思路没有很大的创新 

•输入的不是RGB, 而分别是Depth image 和 IR image 

•DWConv 捕捉的位置相关性的变量过于简单