2019 FeatherNets: Convolutional Neural Networks as Light as Feather for Face Anti-spoofing

【代码】https://github.com/SoftwareGift/FeatherNets_Face-Anti-spoofing-Attack-Detection-Challenge-CVPR2019

创新点

• 提出轻量级网络Feather：
  • thin CNN stem——计算代价小；
  • 提出流模块——比GAP（Global Average Pooling）精确度更高；
• 设计了一种新的融合分类器体系结构，将从多模态数据（depth 和 IR 数据）中学习到的多模型进行组合和级联；

成就

• 仅用depth image进行训练，0.00168 ACER, 0.35M parameters and 83M FLOPS；
• in the Face Anti-spoofing Attack Detection Challenge@CVPR2019 and
  got the result of 0.0013(ACER), 0.999(TPR@FPR=10e-2),
  0.998(TPR@FPR=10e-3) and 0.9814(TPR@FPR=10e-4).
• 数据集 MMFD

原理

真实人脸的depth image是不均匀的，攻击人脸的depth image是平面的。

架构设计

感受野中心对输出的影响大于边缘对输出的影响，因此，RF1比RF2具有更大的有效感受域。

流模块

• DWConv（stride>1）用于缩减输出的像素采样
• 计算过程：
  $$F{V}_n(y,x,m)=\sum _{i,j}{K}_{i,j,m}\cdot F_{I{N}_y(i),I{N}_x(j),m}$$
  • 其中，
    $N=H^{{}^{\prime }}\ast W^{{}^{\prime }}\ast C$
    $n(x,y,m)=m\times H^{{}^{\prime }}\times W^{{}^{\prime }}+y\times H^{‘}+x$
    $I{N}_y(i)=y\times S_0+i$
    $I{N}_x(j)=x\times S_1+j$
    S_0是垂直步长，S_1是水平步长
• 流模块可用来代替传统网络中的全局平均池化层和全连接层

网络结构

• 除了流模块，还有 Block A/B/C 来构成 FeatherNet A/B
  
• 基于深度数据训练的模型可以达到 0.003 ACER
• 对于深度模型不确定的样本，IR数据可以提供较好的伪判断性能
• 第一阶段由多个用深度数据训练的模型加权平均得到，对于不确定的样本进行第二阶段的判断，第二阶段用IR数据训练FeatherNetB模型，若第二阶段判断为假，则作为最后结果，若判断为真，则结合第一阶段的结果共同决定。

评价标准

• Attack Presentation Classification Error Rate (APCER)
• Normal Presentation Classification Error Rate (NPCER)
• Average Classification Error Rate (ACER)

实验结果