《表4 不同方案使用混合池化网络在replay-attack数据集中的EER和HTER》

  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

《结合混合池化的双流人脸活体检测网络》

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

注:加粗字体表示最优结果。

表3和表4展示了本文提出的方案在replayattack数据集中的EER和HTER。可以看出，加了空间金字塔和全局平均混合池化后明显有更好结果，在空间流上能取得0.071%的EER和0.109%的HTER。而对于颜色空间，在未加混合池化的时候，HSV颜色空间在HTER上也取得了不错结果，而加入混合池化后RGB则取得了更好结果，主要原因是replay-attack数据集中有很多亮度不稳定的样本，所以在对颜色空间更敏感的HSV上取得了微弱的优势，而加入混合池化后，混合池化能够指导网络学习到更加全局以及局部的信息，而且RGB颜色空间也可以通过变换得到HSV，所以HSV的微弱优势就被抵消了。从表3和表4还可以看出，replayattack数据集中的时间流网络效果不是很好，原因是replay-attack数据集中大多数视频抖动非常小，所以在时间维度产生的信息也相对较少。因此在replay-attack数据集的实验中可以调小时间流网络所占的比例，减少造成的负影响。最终空间流和时间流融合使得EER和HTER分别达到0.091%和0.082%。