《表6 使用CASIA MFSD数据集对模型进行训练,并在REPLAY ATTACK数据集上进行测试,和使用REPLAY ATTACK数据集对模型进行训练,并在CASIA MFSD数据集上进行测试(%

  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

数据集间实验.本文按照之前的相关文献[34～36]在交叉数据集（包含CASIA MFSD和RE-PLAY ATTACK数据集）上进行实验评估，其中包括对CASIA MFSD数据库的训练集进行训练，并对REPLAY ATTACK数据库的测试集进行测试.表6[5，9，34～37]证实了所提出的方法在包含不同类型的欺骗攻击的REPLAY ATTACK测试集中达到了最佳性能（HTER=0.135）.然后，在进行相反的实验中，在REPLAY ATTACK数据集的训练集上进行训练，并在CASIA MFSD数据集的测试集上进行测试.本文方法在CASIA MFSD数据集的测试集上进行交叉测试，具有可比的效果（HTER=0.353）.从表6中，可以看到提出的方法的HTER优于大多数二分类有监督方法（CNN），De-Spoof，Texture （LBP，Color Tex，Color LBP，LBP-TOP）.这表明所提出的方法可以更好地识别真假人脸之间的差异.基于辅助深度r PPG的方法比提出的方法更好，这可能是由于深度信息和r PPG信号的帮助.与所有先前的研究一样，本文观察到在CASIA MFSD上训练的模型比在重放攻击数据库上训练的模型能够更好地泛化.推测如下:（1）可能是因为CASIA MFSD数据集中的分辨率明显高于REPLAY ATTACK数据集中的分辨率.高分辨率训练的模型可以比低分辨率训练的模型更好地泛化.（2）与REPLAY ATTACK相比，CASIA MFSD在收集的数据库中包含更多变化，例如，成像质量、相机与面部之间的距离、背景和攻击类型.因此，为呈现攻击数据库优化的模型在新的采集条件下面临更多挑战.这是本文方法和以前工作的局限性，值得进一步研究.