日本久久网I久久精品五月天I91wumaI国产又粗又猛又爽I98福利在线I久操人妻I午夜激情AVI中文字幕在线日亚洲9I色综合久久夜色精品国产天堂I午夜爱爱网站I黄色小说免费观看I精品天堂I亚洲欧美性爱I成人av在线影院I丝袜网站黄I91色国产I毛片基地,无码I姝姝窝人体色www聚色窝

今年，人臉防偽、人臉識別依然是全球計算機視覺頂級會議CVPR2020（即IEEE國際計算機視覺與模式識別會議）的熱門主題，數(shù)篇論文被收錄，其中，明略科技集團(tuán)明略科學(xué)院與中科院自動化研究所、奧盧大學(xué)、AIBEE等合作的3篇論文被接收（兩篇為Oral）。

在CVPR2020 ，由中科院自動化研究所模式識別國家重點實驗室主辦的ChaLearnFace Anti-spoofing Attack Detection Challenge人臉防偽檢測挑戰(zhàn)賽上，由奧盧大學(xué)與明略科學(xué)院深度學(xué)習(xí)實驗室等組成的團(tuán)隊，斬獲多模態(tài)賽道冠軍和單模態(tài)賽道亞軍。人臉防偽是、活體檢測是人臉識別應(yīng)用中最重要的一環(huán)，人臉防偽的方法能夠抵御不法分子通過照片、面具等手段對人臉識別系統(tǒng)進(jìn)行攻擊從而牟利，是一項非常有落地實用價值的研究領(lǐng)域。而ChaLearn Face Anti-spoofing Attack Detection Challenge是近年來活體檢測、人臉防偽領(lǐng)域最熱門的比賽，吸引了眾多全球知名CV大廠、明星創(chuàng)業(yè)公司和頂級院校團(tuán)隊參與。

此次挑戰(zhàn)賽中，奧盧大學(xué)和明略科學(xué)院團(tuán)隊運用的方法，主要來自于以下兩篇論文的研究成果：

《Searching CentralDifference Convolutional Networks for Face Anti-spoofing(CDCN), CVPR2020》（文章鏈接：https://arxiv.org/abs/2003.04092）

《Deep Spatial Gradient and Temporal Depth Learning forFace Anti-spoofing(FAS-SGTD), CVPR2020 (Oral)》（文章鏈接：https://arxiv.org/abs/2003.08061）

人臉防偽（FAS）在人臉識別系統(tǒng)中起著至關(guān)重要的作用。大多數(shù)最先進(jìn)的FAS方法依賴于堆疊卷積和專家設(shè)計的網(wǎng)絡(luò)，在描述詳細(xì)的紋理信息方面比較弱，在環(huán)境變化（如不同的光照度）時容易失效，并且傾向于使用長序列作為輸入來提取動態(tài)特征，這使得該方法很難部署到需要快速響應(yīng)的場景中。

《Searching Central Difference Convolutional Networks forFace Anti-spoofing(CDCN [1]), CVPR2020》論文，提出了一種基于中心差分卷積（CDC）的新型幀級FAS方法，它能夠通過聚合強度和梯度信息來捕獲內(nèi)在的詳細(xì)模式。用CDC構(gòu)建的網(wǎng)絡(luò)，稱為中心差分卷積網(wǎng)絡(luò)（CDCN），相較于用普通卷積構(gòu)建的網(wǎng)絡(luò)，能夠提供更穩(wěn)健的建模能力。

此外，在一個專門設(shè)計的CDC搜索空間上，可利用神經(jīng)結(jié)構(gòu)搜索（NAS）發(fā)現(xiàn)更強大的網(wǎng)絡(luò)結(jié)構(gòu)（CDCN++），該網(wǎng)絡(luò)結(jié)構(gòu)可與多尺度注意力融合模塊（MAFM）組裝，進(jìn)一步提升性能。在6個基準(zhǔn)數(shù)據(jù)集上進(jìn)行了綜合實驗，結(jié)果表明：1)所提出的方法不僅在數(shù)據(jù)集內(nèi)部測試中取得了優(yōu)異的性能(特別是在OULU-NPU數(shù)據(jù)集（Protocol1）實現(xiàn)了0.2%的ACER)，2)在跨數(shù)據(jù)集測試中也有很好的通用性(特別是從CASIAMFSD到Replay-Attack數(shù)據(jù)集，實現(xiàn)了6.5%的HTER)。

人臉防偽對人臉識別系統(tǒng)的安全性至關(guān)重要。目前，深度監(jiān)督學(xué)習(xí)被證明是最有效的方法之一。雖然取得了巨大成功，但以往大多數(shù)的研究工作是把問題表述為單幀多任務(wù)的問題，只是簡單地用深度增強損失，而忽略了詳細(xì)的紋理信息以及面部深度和運動模式之間的相互作用。

《Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing(FAS-SGTD [2]), CVPR2020 (Oral)》論文，提出了一種新的方法來檢測來自多幀多任務(wù)的攻擊，該方法基于兩點洞察：

1. 通過堆疊的普通卷積，活體人臉和偽造人臉之間詳細(xì)的判別性線索（例如，空間梯度幅度）可能會被丟棄

2.  三維移動人臉的動態(tài)提供了檢測偽造人臉的重要線索。該方法能通過殘差空間梯度塊(RSGB)捕捉判別細(xì)節(jié)，并對時空傳播模塊(STPM)的時空信息進(jìn)行有效編碼。此外，還提出了一種新的對比性深度損失法（ContrastiveDepth Loss），以實現(xiàn)更準(zhǔn)確的深度監(jiān)督。為評估此方法的有效性，還收集了雙模態(tài)防偽數(shù)據(jù)集(DMAD)，提供了每個樣本的實際深度。實驗表明，所提出的方法在OULU-NPU、SiW、CASIA-MFSD、Replay-Attack和新的DMAD五種基準(zhǔn)數(shù)據(jù)集上取得了當(dāng)前最佳成績。

目前，明略科學(xué)院深度學(xué)習(xí)實驗室的研發(fā)成果，已在智能餐飲、智能零售、供應(yīng)鏈物流、智能營銷、智能工業(yè)等業(yè)務(wù)場景實際落地。