中科院aibench_CVPR2019人脸防伪检测挑战赛Top3论文代码及模型解析

加入极市专业CV交流群，与6000+来自腾讯，华为，百度，北大，清华，中科院等名企名校视觉开发者互动交流！更有机会与李开复老师等大牛群内互动！

同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。关注极市平台公众号，回复加群，立刻申请入群~

来源：知乎

链接：https://zhuanlan.zhihu.com/p/69542283

本文经作者授权转载，未经允许，不得二次转载

赛事简介

ChaLearn Face Anti-spoofing Attack Detection Challenge@CVPR2019：

CVPR2019的workshop，此次比赛项目是人脸防欺诈攻击检测。

人脸防欺诈攻击检测，主要是帮助人脸识别系统判断被采集人脸是用户本人脸部，还是打印的照片，录制的视频，3D面具等伪造物，所以也叫活体检测。这项技术对于手机解锁，门禁控制，刷脸支付的安全性是至关重要的。

从技术发展上，人脸防欺诈检测可以简单地分为两大类：传统的人工特征模式识别方法和近几年兴起的CNN深度学习方法。通过在几个通用数据集上的测试，目前，深度学习方法在识别准确性上对传统方法已成碾压态势。本次比赛中，也很难见到传统方法的身影。

衡量指标

衡量人脸识别算法性能的优劣有很多不同的标准，比如FAR，FRR，TAR等，这次比赛主要依据的是TPR@10e-4 FPR作为衡量标准。

TPR (True Positive Rate)真正类率，又叫真阳率，代表预测是异常实际也是异常的样本数，占实际总异常数的比例——数值越大，性能越好：

FPR (False Positive Rate)假正类率，又叫假阳率，代表预测是异常但实际是正常的样本数，占实际正常总数的比例——数值越小，性能越好：

TPR@10e-4 FPR即为当FPR为10e-4时候的TPR的数值，之所以采用这种形式是因为在不同的FPR下度量的TPR是会不同的。

这个数值越大，说明算法性能越好。

比赛数据集

此次比赛的数据集是CASIA-SURF，这是中科院自动化所推出的数据集，包含了1000个个体样本的21000段视频。采集设备是英特尔的RealSense SR300立体相机，同时采集了RGB，红外图，和深度图。数据集按3：1：6的比例分成了训练、开发、测试三个子集。大赛为了检验参赛模型有足够泛化能力，训练集只给了一部分。

Top3团队及参赛模型介绍

Top3的团队在美国长滩岛CVPR2019 Worshop上做了技术分享。全部成绩信息：

注：比赛分为多个阶段，本文采用的结果为最终被CVPR2019接受的时间点的结果。

冠军：Visionlabs -俄罗斯明星面部识别初创公司

VisionLabs是俄罗斯的一家专注于人脸识别、物体识别、增强现实和虚拟现实的公司，是全球视觉识别市场的领导者。

这家公司充分发挥了战斗民族的数学天赋(雪地里能格斗