【每周CV论文推荐】 初学活体检测与伪造人脸检测必读的文章

欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。

活体检测在安防与金融等使用人脸识别技术的领域中是一项非常重要的技术，本次我们介绍初学深度学习活体检测与伪造检测领域需要读的文章。

作者&编辑 | 言有三

1 Learning CNN

这是最早期CNN用于活体检测的文章，在此之前都是手动提取特征，文章采用了人脸检测预处理，多尺度人脸增强，时域人脸图像增强等技术训练了一个分类网络。

文章引用量：100+

推荐指数：✦✦✦✧✧

[1] Yang J, Lei Z, Li S Z. Learn convolutional neural network for face anti-spoofing[J]. arXiv preprint arXiv:1408.5601, 2014.

2 patch and depth-based CNNs

由于直接基于RGB纹理分类的方法非常容易过拟合，而像屏幕中的人脸一般是平的，估计不出深度信息，所以patch and depth-based CNNs方法将深度信息和RGB特征进行融合。

文章引用量：50+

推荐指数：✦✦✦✧✧

[2] Atoum Y, Liu Y, Jourabloo A, et al. Face anti-spoofing using patch and depth-based CNNs[C]//2017 IEEE International Joint Conference on Biometrics (IJCB). IEEE, 2017: 319-328.

3 CNN-RNN model

与人脸生理相关的rppG信号被研究者广泛运用于活体检测，文[3]中使用了CNN和RNN分别预测人脸深度和rppG信号提升了活体检测的精度。

文章引用量：50+

推荐指数：✦✦✦✦✦

[3] Liu Y, Jourabloo A, Liu X. Learning deep models for face anti-spoofing: Binary or auxiliary supervision[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 389-398.

4 Face De-Spoofing

这篇文章与前面两篇文章是同一个课题组的人做的，其将非活体人脸图看成是加了噪声后失真的x，用残差的思路检测该噪声从而完成分类。

文章引用量：40+

推荐指数：✦✦✦✦✧

[4] Jourabloo A, Liu Y, Liu X. Face de-spoofing: Anti-spoofing via noise modeling[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 290-306.

5 CASIA-SURF

CASIA-SURF是当前最大，模式最丰富的活体检测数据集，包括1000个人的21000个视频，数据集通过Intel RealSense SR300相机在不同的室内背景下采集得到，包括RGB，Depth和InfraRed(IR)视频。

文章引用量：较少

推荐指数：✦✦✦✦✦

[5] Zhang S, Wang X, Liu A, et al. A Dataset and Benchmark for Large-scale Multi-modal Face Anti-spoofing[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019: 919-928.

6 FaceForensic++

FaceForensic是当前最大的伪造人脸数据集，它使用了Face2Face，FaceSwap，DeepFakes以及NeuralTextures共4种换脸算法对1000个真实视频进行处理，各自得到了510207张真假脸对应的图像。

文章引用量：较少

推荐指数：✦✦✦✦✦

[6] Rössler A, Cozzolino D, Verdoliva L, et al. Faceforensics++: Learning to detect manipulated facial images[J]. arXiv preprint arXiv:1901.08971, 2019.

7 FakeSpotter

FakeSpotter是南洋理工，阿里巴巴，小米等合作提出的假脸检测框架，与一般的使用最后的特征进行分类的思路不同，使用了每一层神经元的激活特性来进行分析。

文章引用量：较少

推荐指数：✦✦✦✦✧

[7] Wang R, Ma L, Juefei-Xu F, et al. FakeSpotter: A Simple Baseline for Spotting AI-Synthesized Fake Faces[J]. arXiv preprint arXiv:1909.06122, 2019.

8 如何获取文章与交流

找到有三AI开源项目即可获取。

https://github.com/longpeng2008/yousan.ai

转载文章请后台联系

侵权必究