《表4 OULU-NPU上的跨攻击类型实验各算法的分类错误率》

  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

《基于前向学习网络的人脸欺诈检测》

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

%

在实验中，将所提算法与7种人脸欺诈检测算法进行了比较．比较的算法包括基于HSV色彩空间颜色纹理分析的检测算法[3]（CTA(HSV），color texture analysis in the HSV color space)、基于YCb Cr色彩空间颜色纹理分析的检测算法[3]（CTA(YCbCr），color texture analysis in the YCb Cr color space)、基于图像质量评价的检测算法[6]（IQM，image quality analysis）、基于图像失真分析的检测算法[7]（IDA，image distortion analysis）、基于全连接层和全局监督的CNN[8]（CNN(FC），CNN with fully connected layer)、基于全局均值池化和全局监督的CNN[8]（CNN(GAP），CNN with global average pooling layer)和基于深度逐像素二值监督的CNN[12]（CNN (BS），CNN with binary pixel supervision).CNN的结构取自文献[11]中的结构．在训练时，训练样本只包含视频中3个人的某一种攻击类型的图像，所有的算法都是在这一设定下进行的比较．将输入图像转换至HSV和YCb Cr色彩空间，然后使用所提算法进行分类．所提算法的参数设置如下:卷积滤波器的大小为5×5，图像块之间的步长间隔是3×3，在2层中都使用了8个卷积滤波器．在CASIA-FASD上的实验结果Cwp→（Cv，Ccp）、Ccp→（Cwp，Cv）和Cv→（Cwp，Ccp）见表2第2～4列、第5～7列和第8～10列．在Replay-Attack上的实验结果Rv→（Rdp，Rpp）、Rdp→（Rv，Rpp）和Rpp→（Rv，Rdp）见表3的第2～4列、第5～7列和第8～10列．在OULU-NPU上的实验结果Op→Ov和Ov→Op见表4的第2～4列和第5～7列．从CASIA-FASD上的实验结果可以看出，所提算法得到了比其他算法更好的结果．在3个实验中，所提算法（HSV）的HTER是最低的．比较所提算法（HSV）和CTA（HSV）的结果可以看出，所提算法显著降低了HTER．在弯曲照片攻击实验中，HTER降低了5.22%；在剪切照片攻击实验中，HTER降低了6.87%；在视频攻击实验中，HTER降低了1.41%．比较所提算法（YCb Cr）和CTA（YCb Cr）可以看出，所提算法得到了更好的结果．在弯曲照片攻击实验中，HTER降低了6.36%；在剪切照片攻击实验中，HTER降低了10.99%；在视频攻击实验中，HTER降低了7.15%．在CASIA-FASD上，其他方法取得了较差的实验结果，IQM方法和IDA方法的HTER较高，基于深度学习方法的结果也不理想．上述实验结果说明，在欺诈检测中，采用前向学习的方式比采用固定的特征提取算子和基于深度学习的方法好．从ReplayAttack的实验结果可以看出，IDA得到了最低的HTER，所提算法与IDA方法的结果接近．比较所提算法（HSV）和CTA（HSV）可以看出，所提算法的结果更好．在视频攻击、数字照片攻击、打印照片攻击的实验中，HTER分别降低了3.83%、9.37%和4.6%．另外，所提算法（YCb Cr）比CTA（YCb Cr）的结果更好．在视频攻击实验中，HTER降低了12.94%；在数字照片攻击实验中，HTER降低了3.76%；在打印照片攻击实验中，HTER降低了5.34%．在Replay-Attack上，其他方法的结果较差，IQM以及基于深度学习方法的HTER较高．上述实验结果再次说明了采用前向学习的方式比采用固定特征提取算子和基于深度学习的方法更好．从OU-LU-NPU的实验结果来看，CTA（HSV）取得了最低的HTER，所提算法与CTA的结果类似，并且远好于其他的方法．通过仔细分析实验结果可以看出，所提算法在不同颜色空间中的结果是类似的，这说明所提算法适应于不同颜色空间的输入图像．与之相对的，CTA在不同颜色空间的图像上有着很大的性能差异．总的来说，在跨攻击类型欺诈检测任务中，所提算法在不同数据集上都有较好的表现，性能优于其他算法．