返回
Spatio-temporal deep learning for improved face presentation attack detection
DOI:10.1016/j.knosys.2025.113059.png)
摘要
En 中文
面呈现攻击检测(FacePAD)对于保护人脸识别系统免受打印照片、视频和3D面具等攻击至关重要。现有方法在泛化能力、计算效率以及处理复杂攻击方面往往面临挑战,尤其是在资源受限的环境中。为解决这些挑战,本研究提出了一种基于轻量级CNN架构MobileNetV3的方案,并集成了时空特征提取。所提出的方法能够有效捕捉动态和静态特征,并实现了最先进的性能,包括在Replay-Attack和Replay-Mobile数据集上达到0.0%的等错误率(EER),以及在具有挑战性的ROSE-Youtu数据集上达到0.83%。凭借实时处理能力,模型可在11毫秒内处理256个样本,适合部署在移动和嵌入式平台上。本研究表明,结合时空特征的轻量级架构能够平衡计算效率与准确性,为人脸认证、监控和访问控制等应用中的实用FacePAD系统树立了基准,提升了生物特征安全性。
Keyword:
Face presentation attack detection
Face anti-spoofing
MobileNetV3
Spatio-temporal
Deep learning
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
暂无机构信息
引用论文
A Novel Deep Learning Architecture With Image Diffusion for Robust Face Presentation Attack Detection
IEEE ACCESS
IF3.6
Fully supervised contrastive learning in latent space for face presentation attack detection
APPLIED INTELLIGENCE
IF3.5

