Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision CVPR2018

已于 2022-09-12 16:34:03 修改
阅读量159 收藏
点赞数
分类专栏： 图像翻拍 文章标签： 人工智能 计算机视觉 深度学习
于 2022-09-09 16:02:23 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43333092/article/details/126763958
版权
该论文提出了一种利用深度模型进行人脸防伪的方法，通过空间和时间辅助信息而非传统的二进制监督来增强模型的鲁棒性。空间角度上，利用真实人脸的深度特征（如鼻子距离相机更近）与平面伪造人脸的差异；时间维度上，通过检测正常的心率信号（rPPG）来区分真实和伪造的面部视频。这种方法有助于提高对伪造人脸检测的准确性。
摘要由CSDN通过智能技术生成

Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision

论文原文

提出了一种深度模型，其使用来自空间和时间辅助信息j进行监督，而不是二进制监督，以便从人脸视频中鲁棒地检测人脸PA。从空间角度来看，已知真实人脸具有face-like depth，例如，在正视人脸中，鼻子比脸颊更接近相机，而打印或视频中的人脸是平面的，纸张图像上的所有像素相对于相机具有相同的深度。因此，深度可以被用作辅助信息。从时间角度来看，研究表明，正常的rPPG信号（即心脏脉冲信号）可以从live中检测到，但不能从伪造的面部视频中检测。
在这里插入图片描述

Learning Deep Models for Face Anti-Spoofing_Binary or Auxiliary Supervision.pdf
09-03
Learning Deep Models for Face Anti-Spoofing_Binary or Auxiliary Supervision
Learning Deep Models for Face Anti-Spoofing Binary or Auxiliary Supervision.zip
09-14
炫光活体检测（Learning Deep Models for Face....）
[人脸活体检测] 论文： Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision
yegeli的博客
12-03 910
Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision 论文简介 与人脸生理相关的rppG信号被研究者广泛运用于活体检测，文[3]中使用了CNN和RNN分别预测人脸深度和rppG信号提升了活体检测的精度。 文章引用量：50+ 推荐指数：✦✦✦✦✦ [3] Liu Y, Jourabloo A, Liu X. Learning deep models for face anti-spoofing: Binary
Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision
weixin_42213622的博客
10-24 801
学习人脸反欺骗的深度模型：二进制或辅助监控 摘要 人脸反欺骗是防止人脸识别系统的安全漏洞的关键。以往的深度学习方法将人脸反欺骗表述为一个二值分类问题。他们中的许多人很难掌握足够的欺骗线索，因而无法进行有效的归纳。在本文中，我们认为辅助监督对于引导朝着区分性和普遍性限线索的学习的很重要。利用CNN-RNN模型对人脸深度进行像素监督估计对rPPG信号进行序列监督评估。估计深度和rPPG信号被融合来区分真实和恶搞的面孔。此外，我们引入了一个新的人脸抗欺骗数据库，该数据库覆盖了大范围的照明、主题和姿态变化。试验表明
Learning Deep Models for Face Anti-Spoofing_ Binary or Auxiliary Supervision
CoderWangSon
03-18 2638
Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision 标签（空格分隔）： anti-spoofing 摘要 由于面部识别的广泛使用，所以对于面部识别的反欺诈也尤为重要，而先前的工作都把面部反欺诈作为二分类的问题，但是本文探讨了辅助监督（ auxiliary supervision）的重要性。利用C...
CVPR 2021最全论文开放下载！附pdf下载链接！
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
人脸识别二
AI+机器人
02-28 6323
awesome-Face_Recognition Face Tracking; Face Clustering; Face Super-Resolution && Face Deblurring && Face Hallucination; Face Generation && Face Synthesis && Face Completion && Face Restoration && Face De-O
目标检测经典论文——R-CNN论文翻译：Rich feature hierarchies for accurate object detection and semantic segmentation
bigcindy的博客
07-27 5480
Rich feature hierarchies for accurate object detection and semantic segmentation——Tech report (v5) 用于精确物体定位和语义分割的丰富特征层次结构——技术报告（第5版） Ross Girshick Jeff Donahue Trevor Darrell Jitendra Malik UC Berkeley 加州大学伯克利分校 {frbg,jdonahue,trevor,malikg}@...
CVPR 2012 papers
GarfieldEr007的专栏
07-21 4903
Orals Micro Phase Shifting (PDF, project)Mohit Gupta, Shree NayarOn Multiple Foreground Cosegmentation (PDF, supplementary material, project)Gunhee Kim, Eric XingFace detection, pose estimation,
泛读论文：Person-reID 行人重识别合集
汪汪汪的博客
03-19 1万+
2017CVPR、ICCV和NIPS在Person Reidentification方向的相关工作小结 基于融合特征的行人再识别方法 模式识别与人工智能 2017.3 问题 目前常用的行人再识别方法主要集中在行人外形特征的描述和同一行人对应的 2 幅图像之间距离的学习度量．由于行人图像的亮度和相机角度的变化等，提取行人的外形特征的不变性较难，因此在各个图像库上行人再识别的识别率较低 ...
活体检测论文研读三：Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision
DeepHao'Blog
11-08 2450
Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision 论文简介 一、指出先前的深度学习方法将人脸反欺骗问题视为一个简单的二分类问题，将Spoof Face和Live Face分别采用简单的0，1标签进行监督学习。这样的神经网络很难抓住足够的欺骗线索并且对线索的归纳性很差 二、论证辅助监督在引导神经网络学习区别和归纳线索方面的重要性 三、提出了一种新的CNN-RNN模型。利用基于像素级的监督方式来估计人脸的深度
Learning Deep Models for Face Anti-Spoofing_ Binary or Auxiliary Supervision要点分析
guanguanboy的专栏
10-08 1096
算法思想： 通过估计人脸姿态、人脸深度，对从rgb图像提取的人脸特征图进行姿态转正与约束，从而利用时许特征图提取人体心率信号来判断是否是活体。 主要技术： 人脸深度图估计->精细人脸区域提取； 3D人脸姿态估计-》人脸特征图转正。 基于LSTM的rPPG（heart pulse signal）活体检测。 结论： 跨数据集验证结果： HTER：Half To...
Deep Learning for Face Anti-Spoofing_ An End-to-End Approach
CoderWangSon
03-28 625
Deep Learning for Face Anti-Spoofing: An End-to-End Approach 标签： anti-spoofing 论文出处： IEEE 2017 本文提出的方法 本文提出的是一种端到端的CNN架构，因为以前提出的方法，即使是基于CNN的，但是只是把CNN作为了一种特征提取器，而之后再把特征使用SVM进行分类，而本文提出的方案，是一种端到端的方案，末端接...
单目可见光静默活体检测 Binary or Auxiliary Supervision论文解读
我爱计算机视觉
04-01 1596
点击我爱计算机视觉标星，更快获取CVML新技术前段时间，52CV正式运营子品牌OpenCV中文网公众号，旨在分享最新的OpenCV实用技术与计算机视觉突破，无意中分享了两篇活体检测的代码...
活体检测——简介
热门推荐
小花生的博客
07-23 2万+
随着人脸识别、人脸解锁等技术在金融、门禁、移动设备等日常生活中的广泛应用，人脸防伪/活体检测（Face Anti-Spoofing）技术在近年来得到了越来越多的关注。在大多数人的印象中，人脸识别技术就是让机器把人认出来。没错，用机器来认人，这正是人脸识别系统的最核心功能。然而，很多人不知道的是，一个可以正常工作的人脸识别系统，除了实现“认人”以外，还包括许多其他重要的技术，其中就包括今天要给大家介...
活体检测Face Anti-spoofing前世今生：作者（Fisher Yu ）
小花生的博客
09-06 1万+
活体检测Face Anti-spoofing前世今生 摘录：https://zhuanlan.zhihu.com/p/43480539 1. 什么是活体检测？ –> 判断捕捉到的人脸是真实人脸，还是伪造的人脸攻击（如：彩色纸张打印人脸图，电子设备屏幕中的人脸数字图像 以及 面具 等） 2. 为什么需要活体检测？ –> 在金融支付，门禁等应用场景，活体检测一般是嵌套在人脸检...
2017 Deep Learning for Face Anti-Spoofing: An End-to-End Approach
我咋学不会的博客
04-29 824
代码：https://github.com/houliang428/CNN-for-face-anti-spoofing 提出了一个11层的VGG网络（VGG-11）以及两个衍生网络 数据预处理（CASIA-FASD） 从每个视频随机选择100帧 用 voila-jones 级联分类器进行人脸区域检测，并归一化 24000张训练图片和36000张测试图片 模型训练 对于CNN架构的训练，提出了...
【活体人脸识别】FaceBagNet论文翻译详解
Roaddd的博客
01-25 2963
论文题目：Bag-of-local-features Model for Multi-modal Face Anti-spoofing 论文地址：FaceBagNet 代码地址：https://github.com/SeuTao/CVPR19-Face-Anti-spoofing 摘要        人脸反欺骗检测是人脸生物识别系统中的一个重要环节。最新的（SOTA）基于卷积神经网络(CNNs)的方法在该领域取得了良好的效果。然而，以前的
构建高效二进制数据解析器：binary-parser介绍
资源摘要信息:"binary-parser是一个JavaScript解析器构建器，用于高效地解析二进制数据。其核心特点为能够以声明式的方式创建解析器，简化了处理二进制数据结构的复杂性，同时保持了性能的高效性。它支持多种常见...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值