《表1 活体检测使用的3个数据集的介绍》

  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

《基于隐空间约束生成对抗网络的活体检测》

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

数据集.通常模型训练和测试来自同一数据集的训练和测试样本可以获得很高的准确度，但是不能保证跨数据集之间的准确度也依然很高.模型在一个数据集中进行训练，在另一个数据集中直接进行测试，这种实验场景更符合现实环境中的需求.因此，如表1，本文在3个公开的活体检测数据库上进行了数据集内部和跨数据集之间的实验:（i） NUAA数据库[24]包含15个在不同位置和光照条件下捕获的不同目标.（ii） REPLAY ATTACK[25]数据集考虑了攻击中使用的不同光照条件.通过使用攻击者的手或者固定支架握住存在假脸的屏幕或者照片.（iii） CASIA MFSD[26]在活体检测方面，在图像质量、分辨率和视频长度上带来了更多挑战.根据文献[18]的工作，CIFAR10和MNIST数据集用于构建验证性实验，以说明提出的方法和其他先进的异常检测方法相比的优越性.其中一个类将被视为正常类，而其余的则属于异常类.总共，分别获得了十组MNIST数据集和CIFAR10数据集，然后仅通过在正常类别上训练模型检测测试样本是否异常.