Searching Central Differene Convolutional Networks for Face Anti-Spoofing随笔

一.简介

论文里说相对与普通的卷积方法，CDC(Central Difference Convolution)中心差分卷积更能够提取攻击模式下固有的特征，例如晶格伪影在不同的环境变化下，文章的主要工作有：
（1）设计了一种新的卷积算子叫中心差分卷积（CDC）
对于FAS任务，由于其对不同环境下不变的细粒度特征具有显著的表示能力。在不引入任何额外参数的情况下，CDC可以代替普通的卷积，直接将原来的卷积模块替换为中心差分卷积，网络的鲁棒性会更强。CDC致力于在不增加任何参数的情况下增强丰富的细节特征表示能力。
（2）提出了CDCN++，CDCN的扩展版本，由搜索到的主干网和多尺度注意力融合模块（MAFM）组成，有效地聚合了CDC的多层次特征。
（3）提出的方法在所有六个基准数据集上都实现了最先进的性能，包括数据集内部测试和跨数据集测试。
另外还有一些需要注意：
（1）cnn很容易过拟合，在没见过的场景表现很差。
（2）文章中加入了神经结构搜索。工作动机是NAS的最新研究，重点是寻找一个高性能的深度监督模型而不是二进制分类模型用于人脸防欺骗任务。主要有三类现有的NAS方法：
a. 基于强化学习
b. 基于演化算法的
c. 基于梯度的

二.具体推导

普通卷积：
1)在输入特征图x采样局部感受野区域R
2)将采样值加权求和
因此，输出feature map y可以表示为：

x,y分别为输入，输出的feature map； w为卷积核参数； p0 为当前位置， pn 为局部邻域 R的 index。
中心差分卷积：

将其拆开，整理一下，整理为原来的卷积公式附加一项的形式：

根据式（4），CDC可以通过Pythorch和TensorFlow中的几行代码很容易地实现。
网络结构：
CDCN的详细信息见下表。给出
单个RGB人脸图像，大小为3×256×256，多级（低、中、高）融合特征提取用于预测灰度面部深度，大小为32×32。我们使用θ=0.7作为默认设置

损失函数：
均方差损失为LMSE函数，而且，深度损失LCDL被认为有助于网络
了解更多详细功能。所以总的损失是:
L_overall=L_MSE+L_CDL。
CDCN++
可以看出CDCN的设计很粗糙，就是简单地重复相同的设计
不同级别的块结构，这可能是面部防欺骗任务的次优化。受经典视觉对象理解模型的启发，我们提出扩展版CDCN++，结构如下：


网络结构包含了三个cell, cell 的具体结构如图（b）所示，里面有6个节点，（c）图是两个节点之间可能的操作。
实验结果：

论文链接：https://www.researchgate.net/publication/339813766_Searching_Central_Difference_Convolutional_Networks_for_Face_Anti-Spoofing
程序代码已开源：
https://github.com/ZitongYu/CDCN