yegeli的博客

文章目录Searching Central Difference Convolutional Networks for Face Anti-Spoofing**1 导读****2 简介****3 方法****中心差分卷积神经网络CDCN：****搜索一个中心差分卷积神经网络CDCN++：****4 实验****5 贡献****6 总结**Searching Central Difference Convolutional Networks for Face Anti-Spoofing在CVPR2020由

Aurora Guard- Real-Time Face Anti-Spoofing via Light Reflection论文简介该论文提出的方法已经部署到百万台终端，整篇文章底气十足。作者设计多任务网络，包含两个分支，一个用于预测深度图并做二分类，另一个回归光验证码，只有被识别对象同时通过两个分支的考验，才能被判断为活体，如下图；本人感觉满篇全是亮点：又快又准的深度图预测、无需额外硬件的光验证码校验机制、Light presentation回归网络以及不知道怎么采集却又超精确的深度图ground

Face De-Spoofing: Anti-Spoofing via Noise Modeling论文简介将非活体人脸图看成是加了噪声后失真的x，用残差的思路检测该噪声从而完成分类。文章引用量：40+推荐指数：✦✦✦✦✧[4] Jourabloo A, Liu Y, Liu X. Face de-spoofing: Anti-spoofing via noise modeling[C]//Proceedings of the European Conference on Computer Vi

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

Face Anti-Spoofing Using Patch and Depth-based CNNs这篇文章是人脸防伪领域比较容易理解，适合入手的一篇，主要运用到了两个CNN网络，根据输入图像的细节特征以及深度图特征来进行判别。一、 论文概述由于直接基于RGB纹理分类的方法非常容易过拟合，而像屏幕中的人脸一般是平的，估计不出深度信息，所以patch and depth-based CNNs方法将深度信息和RGB特征进行融合。文章引用量：50+推荐指数：✦✦✦✧✧[2] Atoum Y, Li

[人脸活体检测] 论文：Learn Convolutional Neural Network for Face Anti-Spoofing论文简介这是最早期CNN用于活体检测的文章，在此之前都是手动提取特征，文章采用了人脸检测预处理，多尺度人脸增强，时域人脸图像增强等技术训练了一个分类网络。文章引用量：100+推荐指数：✦✦✦✧✧[1] Yang J, Lei Z, Li S Z. Learn convolutional neural network for face anti-spoofing[

人脸活体检测综述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测与人脸识别or验证中的模块，用来验证是否用户真实本人3. 活体检测对应的计算机视觉问题：–> 就是分类问题，可看成二分类（真 or 假）；也可看成多分类（真人，纸张攻击，屏幕攻击，面具攻击）Anti-spoofing 1.0 时

人脸活体检测一、简介​ 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。设想一下，假设你的Face Verification算法做的再漂亮，而Face Anti-Spoofing做的很烂，如果这个时候恰恰有某位同学拿着马云脸的视频去刷了支付宝，那…人脸验证（Face Verification）：意思就是说，给定两张图，算法要判断出这两张图是不是同一个人，这是近年来一个非常热门的研究