活体识别5：论文笔记之FeatherNets

阿里云国内75折回扣微信号：monov8

阿里云国际，腾讯云国际，低至75折。AWS 93折免费开户实名账号代冲值优惠多多微信号：monov8 飞机：@monov6

说明

这篇文章是这次比赛的第三名ChaLearn Face Anti-spoofing Attack Detection Challenge@CVPR2019此次比赛项目是人脸防欺诈攻击检测。

论文标题《FeatherNets: Convolutional Neural Networks as Light as Feather
for Face Anti-spoofing》
论文地址https://arxiv.org/pdf/1904.09290.pdf

论文内容

如下图使用的数据集是CASIA-SURF它由1000个受试者拍摄的21000个视频组成每个样本包含三种模态RGB、深度和IR。样本主要是受试者拿着自己的照片分别将鼻子、眼睛、嘴巴等不同的区域切除下来有的照片是平面的有的照片是弯曲贴着脸放的。整体感觉有点单调没有视频回放和面具的攻击方式。可能是因为加入了深度的图像原因所以视频攻击就不考虑了。
在这里插入图片描述
该文作者还自制了一个数据库用以增强模型的鲁棒性和泛化性。该数据库称为MMFD由15名受试者采集了15415张真脸照片和28438张假脸照片。除了将照片放在眼前受试者还要戴眼睛、做表情、变换和镜头的距离等比CASIA-SURF丰富些。

作者使用的整体方案也比较简单粗暴先集成再级联。作者发现使用深度图像的进行鉴别的效果已经很好了所以第一阶段集成了多个不同的模型对深度图像的结果进行鉴定多个模型结果求平均得分很高和很低的直接就输出结果。得分在中间的再用IR图像进行第二阶段的分类鉴别。因为作者发现IR图像对第一阶段区分不明显的真假脸有较好的区分效果。
在这里插入图片描述
在第一阶段使用了6个模型多个模型结果求平均FishNet150 1, FishNet150 2, MobilenetV2, FeatherNetA, FeatherNetB, ResNet GC。第二阶段鉴别IR图像使用的是FeatherNetBForIR。除了FeatherNetA/B其它的都是别人的模型。
这个论文的很大一部分在讨论FeatherNet的结构细节。FeatherNet是作者设计的一个较轻量级的网络。如果不打比赛仅仅为了在嵌入式端部署两个阶段应该可以都用FeatherNet。
FeatherNet分为A和B两个版本。它们都是由下面三个基础模块组成的
在这里插入图片描述
其中模块A是组成网络结构的主要模块来自MobilenetV2。模块B和模块C是降采样模块可以将特征快速缩小。模块B是FeatherNetB的降采样模块左侧分支的AVG灵感来自Inception模块B右侧分支灵感来自ShuffleNet。模块C是FeatherNetA的降采样模块它能用更少的参数和更少的计算量快速完成降采样的工作。每个下采样之后都跟一个SE-model用注意力机制来增强特征的有效信息。
下图是FeatherNetB的结构表。将表中的BlockB替换为BlockA就是FeatherNetA了。
在这里插入图片描述
FeatherNet非常轻量级参数只有0.35M计算量在80M左右。FeatherNetA因为下采样模块只有一个分支参数比FeatherNetB还小点。

除了结构上的设计作者还对网络结构最后的结构进行了探讨。那就是分类网络常用的全局平均池化AVG不适合人脸类的任务这点其实来自Mobilefacenets。为啥呢你看下图
在这里插入图片描述
特征的感知野的权重分布类似高斯分布特征中间的那个蓝色特征应该比边缘的那个红色特征有更多的影响才对将它们求平均显然不是一个好办法。所以作者设计了一个 Stresming Module放在网络的最后面那就是用深度卷积DWConv将特征由7x7x64变成4x4x64,然后将所有通道展开成一维数据。后面也没跟全连接因为这会显著增加参数量也增加了过拟合的风险。Stresming Module后面直接用 focal loss作为损失函数。
在这里插入图片描述
对于用Stresming Module替换GAP去掉末尾的全连接甚至是BlodkB左侧分支的AP-down作者都做了对比测试。下图中可以看到作者策略的收益。