活体检测——CDCN/CDCN++

论文：《Searching Central Difference Convolutional Networks for Face Anti-Spoofing》

• 由奥卢大学与明略科学院深度学习实验室等组成的团队，在CVPR2020上发表的基于中心差分卷积的人脸防作伪算法
• 开源连接：https://github.com/ZitongYu/CDCN

本文的主要贡献包括：

（1）设计了一种新的卷积算子，称为中心差分卷积（CDC）
  对于FAS任务，由于其对不同环境下不变细粒度特征的显著表示能力。在不引入任何额外参数的情况下，CDC可以取代现有神经网络中的普通卷积和即插即用，形成具有更强大建模能力的中心差分卷积网络（CDCN）。
（2）提出了CDCN++，CDCN的扩展版本。
  由搜索到的主干网和多尺度注意力融合模块（MAFM）组成，有效地聚合了CDC的多层次特征。
（3）第一次为FAS任务提出搜索神经结构的方法

动机：

  已有的算法在描述详细的纹理信息方面比较弱，在环境变化（如不同的光照度）时容易失效，并且倾向于使用长序列作为输入来提取动态特征，这使得该方法很难部署到需要快速响应的场景中。
下图以直观的看到普通卷积与中心差分卷积（CDC）在伪造线索捕捉上的差异:

中心差分卷积CDC:

CDCN网络结构：

单个RGB人脸图像，大小为3×256×256，多级（低、中、高）融合特征提取用于预测灰度面部深度，大小为32×32。我们使用θ=0.7作为默认设置

损失函数：

均方差损失为LMSE函数，而且，深度损失LCDL被认为有助于网络学习到更多的详细信息。所以总的损失是:L_overall=L_MSE+L_CDL。

普通卷积和CDC卷积对比结果：

Fig. 6 (a) 可见，在OULU-NPU的 protocol-1上，baseline(θ=0)的结果为ACER=3.8%，而随着θ越来越大，性能逐渐变好，当θ=0.7时，取得了最好的性能 ACER=1.0%。也就是说，局部零阶intensity信息和一阶gradient差分信息都在网络中扮演重要的角色，且在活体检测任务中，梯度信息的作用稍微重要一点。

另外我们也探讨了CDC与现有的 LBConv [5] 和 GaborConv [6] 的性能差异，如 Fig. 6 (b) 所示，CDC在活体检测任务中性能远超它们。

---

网络结构CDCN++

在搜出来的backbone里再添加上多级注意力模块，进一步整合multi-level特征

实验

下表为OULU-NPU 数据集上的实验结果

CDCN++在OULU-NPU数据集上表现很好，协议1上甚至达到了ACER 0.2%的水平。

总结：

本文设计了一种新的卷积算子——中心差分卷积，可以提取更加显著的细节特征，提升人脸防作伪的性能，同时可扩展到其他应用场景。

参考：

• https://blog.csdn.net/qq_35037684/article/details/108260383
• https://blog.csdn.net/yegeli/article/details/110877969