今年，人臉防偽(wei) 、人臉識別依然是全球計算機視覺頂級會(hui) 議CVPR2020（即IEEE國際計算機視覺與(yu) 模式識別會(hui) 議）的熱門主題，數篇論文被收錄，其中，明略科技集團明略科學院與(yu) 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(liang) 篇為(wei) Oral）。在CVPR2020 ，由中科院自動化研究所模式識別…

　　今年，人臉防偽(wei) 、人臉識別依然是全球計算機視覺頂級會(hui) 議CVPR2020（即IEEE國際計算機視覺與(yu) 模式識別會(hui) 議）的熱門主題，數篇論文被收錄，其中，明略科技集團明略科學院與(yu) 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(liang) 篇為(wei) 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(wei) 檢測挑戰賽上，由奧盧大學與(yu) 明略科學院深度學習(xi) 實驗室等組成的團隊，斬獲多模態賽道冠軍(jun) 和單模態賽道亞(ya) 軍(jun) 。人臉防偽(wei) 是、活體(ti) 檢測是人臉識別應用中最重要的一環，人臉防偽(wei) 的方法能夠抵禦不法分子通過照片、麵具等手段對人臉識別係統進行攻擊從(cong) 而牟利，是一項非常有落地實用價(jia) 值的研究領域。而ChaLearn Face Anti-spoofing Attack Detection Challenge是近年來活體(ti) 檢測、人臉防偽(wei) 領域最熱門的比賽，吸引了眾(zhong) 多全球知名CV大廠、明星創業(ye) 公司和頂級院校團隊參與(yu) 。

　　此次挑戰賽中，奧盧大學和明略科學院團隊運用的方法，主要來自於(yu) 《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(liang) 篇論文的研究成果。

　　人臉防偽(wei) （FAS）在人臉識別係統中起著至關(guan) 重要的作用。大多數最先進的FAS方法依賴於(yu) 堆疊卷積和專(zhuan) 家設計的網絡，在描述詳細的紋理信息方麵比較弱，在環境變化（如不同的光照度）時容易失效，並且傾(qing) 向於(yu) 使用長序列作為(wei) 輸入來提取動態特征，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，提出了一種基於(yu) 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(nei) 在的詳細模式。用CDC構建的網絡，稱為(wei) 中心差分卷積網絡（CDCN），相較於(yu) 用普通卷積構建的網絡，能夠提供更穩健的建模能力。此外，在一個(ge) 專(zhuan) 門設計的CDC搜索空間上，可利用神經結構搜索（NAS）發現更強大的網絡結構（CDCN++），該網絡結構可與(yu) 多尺度注意力融合模塊（MAFM）組裝，進一步提升性能。在6個(ge) 基準數據集上進行了綜合實驗，結果表明：1）所提出的方法不僅(jin) 在數據集內(nei) 部測試中取得了優(you) 異的性能（特別是在OULU-NPU數據集（Protocol 1）實現了0.2%的ACER），2）在跨數據集測試中也有很好的通用性（特別是從(cong) CASIAMFSD到Replay-Attack數據集，實現了6.5%的HTER）。

　　人臉防偽(wei) 對人臉識別係統的安全性至關(guan) 重要。目前，深度監督學習(xi) 被證明是最有效的方法之一。雖然取得了巨大成功，但以往大多數的研究工作是把問題表述為(wei) 單幀多任務的問題，隻是簡單地用深度增強損失，而忽略了詳細的紋理信息以及麵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，該方法基於(yu) 兩(liang) 點洞察：1）通過堆疊的普通卷積，活體(ti) 人臉和偽(wei) 造人臉之間詳細的判別性線索（例如，空間梯度幅度）可能會(hui) 被丟(diu) 棄，2）三維移動人臉的動態提供了檢測偽(wei) 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，並對時空傳(chuan) 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），以實現更準確的深度監督。為(wei) 評估此方法的有效性，還收集了雙模態防偽(wei) 數據集（DMAD），提供了每個(ge) 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五種基準數據集上取得了當前最佳成績。

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