《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(%
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.
图表编号 | XD00206621300 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.20 |
作者 | 陈成伟、院旺、陈攀、丁守鸿、谢源、宋海川、马利庄 |
绘制单位 | 华东师范大学计算机科学与技术学院、华东师范大学计算机科学与技术学院、上海交通大学电子信息与电气工程学院、腾讯优图、华东师范大学计算机科学与技术学院、华东师范大学计算机科学与技术学院、华东师范大学计算机科学与技术学院 |
更多格式 | 高清、无水印(增值服务) |