今年，人臉防偽、人臉識別依然是全球計算機視覺頂級會議CVPR2020（即IEEE國際計算機視覺與模式識別會議）的熱門主題，數(shù)篇論文被收錄，其中，明略科技集團明略科學院與中科院自動化研究所、奧盧大學、AIBEE等合作的3篇論文被接收（兩篇為Oral）。在CVPR2020 ，由中科院自動化研究所模式識別…

　　今年，人臉防偽、人臉識別依然是全球計算機視覺頂級會議CVPR2020（即IEEE國際計算機視覺與模式識別會議）的熱門主題，數(shù)篇論文被收錄，其中，明略科技集團明略科學院與中科院自動化研究所、奧盧大學、AIBEE等合作的3篇論文被接收（兩篇為Oral）。在CVPR2020 ，由中科院自動化研究所模式識別國家重點實驗室主辦的ChaLearn Face Anti-spoofing Attack Detection Challenge人臉防偽檢測挑戰(zhàn)賽上，由奧盧大學與明略科學院深度學習實驗室等組成的團隊，斬獲多模態(tài)賽道冠軍和單模態(tài)賽道亞軍。人臉防偽是、活體檢測是人臉識別應用中最重要的一環(huán)，人臉防偽的方法能夠抵御不法分子通過照片、面具等手段對人臉識別系統(tǒng)進行攻擊從而牟利，是一項非常有落地實用價值的研究領域。而ChaLearn Face Anti-spoofing Attack Detection Challenge是近年來活體檢測、人臉防偽領域最熱門的比賽，吸引了眾多全球知名CV大廠、明星創(chuàng)業(yè)公司和頂級院校團隊參與。

　　此次挑戰(zhàn)賽中，奧盧大學和明略科學院團隊運用的方法，主要來自于《Searching Central Difference Convolutional Networks for Face Anti-spoofing（CDCN）， CVPR2020》（文章鏈接：）和《Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing（FAS-SGTD）， CVPR2020 （Oral）》（文章鏈接：https：//arxiv.org/abs/2003.08061）兩篇論文的研究成果。

　　人臉防偽（FAS）在人臉識別系統(tǒng)中起著至關重要的作用。大多數(shù)最先進的FAS方法依賴于堆疊卷積和專家設計的網絡，在描述詳細的紋理信息方面比較弱，在環(huán)境變化（如不同的光照度）時容易失效，并且傾向于使用長序列作為輸入來提取動態(tài)特征，這使得該方法很難部署到需要快速響應的場景中。

　　《Searching Central Difference Convolutional Networks for Face Anti-spoofing（CDCN [1]）， CVPR2020》論文，提出了一種基于中心差分卷積（CDC）的新型幀級FAS方法，它能夠通過聚合強度和梯度信息來捕獲內在的詳細模式。用CDC構建的網絡，稱為中心差分卷積網絡（CDCN），相較于用普通卷積構建的網絡，能夠提供更穩(wěn)健的建模能力。此外，在一個專門設計的CDC搜索空間上，可利用神經結構搜索（NAS）發(fā)現(xiàn)更強大的網絡結構（CDCN++），該網絡結構可與多尺度注意力融合模塊（MAFM）組裝，進一步提升性能。在6個基準數(shù)據(jù)集上進行了綜合實驗，結果表明：1）所提出的方法不僅在數(shù)據(jù)集內部測試中取得了優(yōu)異的性能（特別是在OULU-NPU數(shù)據(jù)集（Protocol 1）實現(xiàn)了0.2%的ACER），2）在跨數(shù)據(jù)集測試中也有很好的通用性（特別是從CASIAMFSD到Replay-Attack數(shù)據(jù)集，實現(xiàn)了6.5%的HTER）。

　　人臉防偽對人臉識別系統(tǒng)的安全性至關重要。目前，深度監(jiān)督學習被證明是最有效的方法之一。雖然取得了巨大成功，但以往大多數(shù)的研究工作是把問題表述為單幀多任務的問題，只是簡單地用深度增強損失，而忽略了詳細的紋理信息以及面部深度和運動模式之間的相互作用。

　　《Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing（FAS-SGTD [2]）， CVPR2020 （Oral）》論文，提出了一種新的方法來檢測來自多幀多任務的攻擊，該方法基于兩點洞察：1）通過堆疊的普通卷積，活體人臉和偽造人臉之間詳細的判別性線索（例如，空間梯度幅度）可能會被丟棄，2）三維移動人臉的動態(tài)提供了檢測偽造人臉的重要線索。該方法能通過殘差空間梯度塊（RSGB）捕捉判別細節(jié)，并對時空傳播模塊（STPM）的時空信息進行有效編碼。此外，還提出了一種新的對比性深度損失法（Contrastive Depth Loss），以實現(xiàn)更準確的深度監(jiān)督。為評估此方法的有效性，還收集了雙模態(tài)防偽數(shù)據(jù)集（DMAD），提供了每個樣本的實際深度。實驗表明，所提出的方法在OULU-NPU、SiW、CASIA-MFSD、Replay-Attack和新的DMAD五種基準數(shù)據(jù)集上取得了當前最佳成績。

　　目前，明略科學院深度學習實驗室的研發(fā)成果，已在智能餐飲、智能零售、供應鏈物流、智能營銷、智能工業(yè)等業(yè)務場景實際落地。