内容摘要
今年，人脸防伪、人脸识别依然是全球计算机视觉顶级会议CVPR2020(即IEEE国际计算机视觉与模式识别会议)的热门主题，数篇论文被收录，其中，明略集团明略科学院与中科院自动化研究所、奥卢大学、AIBEE等合作的3篇论文被接收(两篇为Oral)。在CVPR2020 ，由中科院自动化研究所模式识别…
今年，人脸防伪、人脸识别依然是全球计算机视觉顶级会议CVPR2020(即IEEE国际计算机视觉与模式识别会议)的热门主题，数篇论文被收录，其中，明略集团明略科学院与中科院自动化研究所、奥卢大学、AIBEE等合作的3篇论文被接收(两篇为Oral)。在CVPR2020 ，由中科院自动化研究所模式识别国家重点实验室主办的ChaLearn Face Anti-spoofing Attack Detection Challenge人脸防伪检测挑战赛上，由奥卢大学与明略科学院深度学习实验室等组成的团队，斩获多模态赛道冠军和单模态赛道亚军。人脸防伪是、活体检测是人脸识别应用中最重要的一环，人脸防伪的方法能够抵御不法分子通过照片、面具等手段对人脸识别系统进行攻击从而牟利，是一项非常有落地实用价值的研究领域。而ChaLearn Face Anti-spoofing Attack Detection Challenge是近年来活体检测、人脸防伪领域最热门的比赛，吸引了众多全球知名CV大厂、明星创业公司和顶级院校团队参与。
此次挑战赛中，奥卢大学和明略科学院团队运用的方法，主要来自于《Searching Central Difference Convolutional Networks for Face Anti-spoofing(CDCN), CVPR2020》(文章链接：)和《Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing(FAS-SGTD), CVPR2020 (Oral)》(文章链接：https://arxiv.org/abs/2003.08061)两篇论文的研究成果。
人脸防伪(FAS)在人脸识别系统中起着至关重要的作用。大多数最先进的FAS方法依赖于堆叠卷积和专家设计的网络，在描述详细的纹理信息方面比较弱，在环境变化(如不同的光照度)时容易失效，并且倾向于使用长序列作为输入来提取动态特征，这使得该方法很难部署到需要快速响应的场景中。
《Searching Central Difference Convolutional Networks for Face Anti-spoofing(CDCN [1]), CVPR2020》论文，提出了一种基于中心差分卷积(CDC)的新型帧级FAS方法，它能够通过聚合强度和梯度信息来捕获内在的详细模式。用CDC构建的网络，称为中心差分卷积网络(CDCN)，相较于用普通卷积构建的网络，能够提供更稳健的建模能力。此外，在一个专门设计的CDC搜索空间上，可利用神经结构搜索(NAS)发现更强大的网络结构(CDCN++)，该网络结构可与多尺度注意力融合模块(MAFM)组装，进一步提升性能。在6个基准数据集上进行了综合实验，结果表明：1)所提出的方法不仅在数据集内部测试中取得了优异的性能(特别是在OULU-NPU数据集(Protocol 1)实现了0.2%的ACER)，2)在跨数据集测试中也有很好的通用性(特别是从CASIAMFSD到Replay-Attack数据集，实现了6.5%的HTER)。
人脸防伪对人脸识别系统的安全性至关重要。目前，深度监督学习被证明是最有效的方法之一。虽然取得了巨大成功，但以往大多数的研究工作是把问题表述为单帧多任务的问题，只是简单地用深度增强损失，而忽略了详细的纹理信息以及面部深度和运动模式之间的相互作用。
《Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing(FAS-SGTD [2]), CVPR2020 (Oral)》论文，提出了一种新的方法来检测来自多帧多任务的攻击，该方法基于两点洞察：1)通过堆叠的普通卷积，活体人脸和伪造人脸之间详细的判别性线索(例如，空间梯度幅度)可能会被丢弃，2)三维移动人脸的动态提供了检测伪造人脸的重要线索。该方法能通过残差空间梯度块(RSGB)捕捉判别细节，并对时空传播模块(STPM)的时空信息进行有效编码。此外，还提出了一种新的对比性深度损失法(Contrastive Depth Loss)，以实现更准确的深度监督。为评估此方法的有效性，还收集了双模态防伪数据集(DMAD)，提供了每个样本的实际深度。实验表明，所提出的方法在OULU-NPU、SiW、CASIA-MFSD、Replay-Attack和新的DMAD五种基准数据集上取得了当前最佳成绩。
目前，明略科学院深度学习实验室的研发成果，已在智能餐饮、智能零售、供应链物流、智能营销、智能工业等业务场景实际落地。