CDCN 活体检测笔记

提出了一种基于中心差分卷积（CDC）的新型帧级FAS方法，它能够通过聚合强度和梯度信息来捕获内在的详细模式。用CDC构建的网络，称为中心差分卷积网络（CDCN），相较于用普通卷积构建的网络，能够提供更稳健的建模能力。

 

此外，在一个专门设计的CDC搜索空间上，可利用神经结构搜索（NAS）发现更强大的网络结构（CDCN++），该网络结构可与多尺度注意力融合模块（MAFM）组装，进一步提升性能。在6个基准数据集上进行了综合实验，结果表明：1)所提出的方法不仅在数据集内部测试中取得了优异的性能(特别是在OULU-NPU数据集（Protocol1）实现了0.2%的ACER)，2)在跨数据集测试中也有很好的通用性(特别是从CASIAMFSD到Replay-Attack数据集，实现了6.5%的HTER)。

 

搜索中心差分卷积神经网络CDCN++：

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

 

 

中心差分卷积：

class Conv2d_cd(nn.Module):

空间注意力模块：

clas