《表1 防伪攻击检测网络性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《高效防伪人脸识别系统》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文在的所有实验在实验测试平台（CPU:i5 7500 GPU:GTX1080ti）上进行，深度学习框架使用PyTorch[8]。防伪攻击检测网络的训练集和测试集，均采用CASIA-SURF[9]。由表1可以看出，我们所提出利用多模态信息同时作为输入，相比于传统的只利用彩色图像进行输入的方法，对伪造人脸的平均分类错误率（ACER）从13.3%下降到了6.7%，下降了6.3个百分点。可以看出利用多个模态信息协同检测伪造人脸攻击的方法是切实有效的一种方法。其次在错误接受率（FAR）分别为0.01、0.001、0.0001的情况下，网络的真真率（TPR）分别可以达到96.1%、80.2%、60.8%，相比于单一彩色图，分别有着43.8%、53.6%、44.6%的性能提升。