今年，人臉防偽、人臉識(shí)別依然是全球計(jì)算機(jī)視覺頂級(jí)會(huì)議CVPR2020（即IEEE國(guó)際計(jì)算機(jī)視覺與模式識(shí)別會(huì)議）的熱門主題，數(shù)篇論文被收錄，其中，明略科技集團(tuán)明略科學(xué)院與中科院自動(dòng)化研究所、奧盧大學(xué)、AIBEE等合作的3篇論文被接收（兩篇為Oral）。在CVPR2020 ，由中科院自動(dòng)化研究所模式識(shí)別…

　　今年，人臉防偽、人臉識(shí)別依然是全球計(jì)算機(jī)視覺頂級(jí)會(huì)議CVPR2020（即IEEE國(guó)際計(jì)算機(jī)視覺與模式識(shí)別會(huì)議）的熱門主題，數(shù)篇論文被收錄，其中，明略科技集團(tuán)明略科學(xué)院與中科院自動(dòng)化研究所、奧盧大學(xué)、AIBEE等合作的3篇論文被接收（兩篇為Oral）。在CVPR2020 ，由中科院自動(dòng)化研究所模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室主辦的ChaLearn Face Anti-spoofing Attack Detection Challenge人臉防偽檢測(cè)挑戰(zhàn)賽上，由奧盧大學(xué)與明略科學(xué)院深度學(xué)習(xí)實(shí)驗(yàn)室等組成的團(tuán)隊(duì)，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(cè)是人臉識(shí)別應(yīng)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(duì)人臉識(shí)別系統(tǒng)進(jìn)行攻擊從而牟利，是一項(xiàng)非常有落地實(shí)用價(jià)值的研究領(lǐng)域。而ChaLearn Face Anti-spoofing Attack Detection Challenge是近年來活體檢測(cè)、人臉防偽領(lǐng)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(jí)院校團(tuán)隊(duì)參與。

　　此次挑戰(zhàn)賽中，奧盧大學(xué)和明略科學(xué)院團(tuán)隊(duì)運(yùn)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(shí)別系統(tǒng)中起著至關(guān)重要的作用。大多數(shù)最先進(jìn)的FAS方法依賴于堆疊卷積和專家設(shè)計(jì)的網(wǎng)絡(luò)，在描述詳細(xì)的紋理信息方面比較弱，在環(huán)境變化（如不同的光照度）時(shí)容易失效，并且傾向于使用長(zhǎng)序列作為輸入來提取動(dòng)態(tài)特征，這使得該方法很難部署到需要快速響應(yīng)的場(chǎng)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(jí)FAS方法，它能夠通過聚合強(qiáng)度和梯度信息來捕獲內(nèi)在的詳細(xì)模式。用CDC構(gòu)建的網(wǎng)絡(luò)，稱為中心差分卷積網(wǎng)絡(luò)（CDCN），相較于用普通卷積構(gòu)建的網(wǎng)絡(luò)，能夠提供更穩(wěn)健的建模能力。此外，在一個(gè)專門設(shè)計(jì)的CDC搜索空間上，可利用神經(jīng)結(jié)構(gòu)搜索（NAS）發(fā)現(xiàn)更強(qiáng)大的網(wǎng)絡(luò)結(jié)構(gòu)（CDCN++），該網(wǎng)絡(luò)結(jié)構(gòu)可與多尺度注意力融合模塊（MAFM）組裝，進(jìn)一步提升性能。在6個(gè)基準(zhǔn)數(shù)據(jù)集上進(jìn)行了綜合實(shí)驗(yàn)，結(jié)果表明：1）所提出的方法不僅在數(shù)據(jù)集內(nèi)部測(cè)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(shí)現(xiàn)了0.2%的ACER），2）在跨數(shù)據(jù)集測(cè)試中也有很好的通用性（特別是從CASIAMFSD到Replay-Attack數(shù)據(jù)集，實(shí)現(xiàn)了6.5%的HTER）。

　　人臉防偽對(duì)人臉識(shí)別系統(tǒng)的安全性至關(guān)重要。目前，深度監(jiān)督學(xué)習(xí)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(wù)的問題，只是簡(jiǎn)單地用深度增強(qiáng)損失，而忽略了詳細(xì)的紋理信息以及面部深度和運(yùn)動(dòng)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(cè)來自多幀多任務(wù)的攻擊，該方法基于兩點(diǎn)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(xì)的判別性線索（例如，空間梯度幅度）可能會(huì)被丟棄，2）三維移動(dòng)人臉的動(dòng)態(tài)提供了檢測(cè)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(xì)節(jié)，并對(duì)時(shí)空傳播模塊（STPM）的時(shí)空信息進(jìn)行有效編碼。此外，還提出了一種新的對(duì)比性深度損失法（Contrastive Depth Loss），以實(shí)現(xiàn)更準(zhǔn)確的深度監(jiān)督。為評(píng)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(gè)樣本的實(shí)際深度。實(shí)驗(yàn)表明，所提出的方法在OULU-NPU、SiW、CASIA-MFSD、Replay-Attack和新的DMAD五種基準(zhǔn)數(shù)據(jù)集上取得了當(dāng)前最佳成績(jī)。

　　目前，明略科學(xué)院深度學(xué)習(xí)實(shí)驗(yàn)室的研發(fā)成果，已在智能餐飲、智能零售、供應(yīng)鏈物流、智能營(yíng)銷、智能工業(yè)等業(yè)務(wù)場(chǎng)景實(shí)際落地。