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