Face presentation attack detection via content-adaptive spatial operators

doi:10.1038/s41598-026-67944-6

Face presentation attack detection via content-adaptive spatial operators

2026-09-16

0

OA

AI

S

Shujaat Khan *

DOI：10.1038/s41598-026-67944-6

原文链接

查看原文

摘要

En 中文

人脸呈现攻击检测（FacePAD）对于防范印刷、重放和基于面具的欺骗攻击，保障人脸认证安全至关重要。本文提出CASO-PAD，一种仅使用RGB单帧图像的模型，通过内容自适应空间算子（involution）增强MobileNetV3，以更好地捕捉局部的欺骗线索。与空间共享卷积核不同，集成的分组involution算子根据输入生成位置特定的核，并在通道组内共享每个核，在有限的计算开销下提高了空间选择性。CASO-PAD保持轻量化（3.6M参数；在$$256\times 256$$输入下计算量为0.256 GFLOPs），并使用标准的二元交叉熵目标进行端到端训练。在Replay-Attack、Replay-Mobile、ROSE-Youtu和OULU-NPU上的大量实验表明其性能优异，测试准确率分别达到100%/100%/98.9%/99.7%，AUC为1.00/1.00/0.9995/0.9999，HTER为0.00%/0.00%/0.82%/0.44%。在大型SiW-Mv2 Protocol-1基准测试中，CASO-PAD达到95.45%的准确率，HTER为3.11%，EER为3.13%，表明在评估协议下性能强劲。消融研究显示，将自适应算子置于网络头部附近并采用适度的分组共享可取得最佳准确率-效率平衡。总体而言，CASO-PAD为边缘计算场景下的FacePAD提供了一种轻量化的仅RGB设计。

Face presentation attack detection via content-adaptive spatial operators

摘要

AI总结

期刊

机构

引用论文