歡迎來到《每周CV論文推薦》。在這個專欄里，還是本著有三AI一貫的原則，專注于讓大家能夠系統性完成學習，所以我們推薦的文章也必定是同一主題的。

活體檢測在安防與金融等使用人臉識別技術的領域中是一項非常重要的技術，本次我們介紹初學深度學習活體檢測與偽造檢測領域需要讀的文章。

作者&編輯 | 言有三

1 Learning CNN

這是最早期CNN用于活體檢測的文章，在此之前都是手動提取特征，文章采用了人臉檢測預處理，多尺度人臉增強，時域人臉圖像增強等技術訓練了一個分類網絡。

文章引用量：100+

推薦指數：?????

[1]?Yang J, Lei Z, Li S Z. Learn convolutional neural network for face anti-spoofing[J]. arXiv preprint arXiv:1408.5601, 2014.

2?patch and depth-based CNNs

由于直接基于RGB紋理分類的方法非常容易過擬合，而像屏幕中的人臉一般是平的，估計不出深度信息，所以patch and depth-based CNNs方法將深度信息和RGB特征進行融合。

文章引用量：50+

推薦指數：?????

[2] Atoum Y, Liu Y, Jourabloo A, et al. Face anti-spoofing using patch and depth-based CNNs[C]//2017 IEEE International Joint Conference on Biometrics (IJCB). IEEE, 2017: 319-328.

3?CNN-RNN model

與人臉生理相關的rppG信號被研究者廣泛運用于活體檢測，文[3]中使用了CNN和RNN分別預測人臉深度和rppG信號提升了活體檢測的精度。

文章引用量：50+

推薦指數：?????

[3] Liu Y, Jourabloo A, Liu X. Learning deep models for face anti-spoofing: Binary or auxiliary supervision[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 389-398.

4?Face De-Spoofing

這篇文章與前面兩篇文章是同一個課題組的人做的，其將非活體人臉圖看成是加了噪聲后失真的x，用殘差的思路檢測該噪聲從而完成分類。

文章引用量：40+

推薦指數：?????

[4]?Jourabloo A, Liu Y, Liu X. Face de-spoofing: Anti-spoofing via noise modeling[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 290-306.

5 CASIA-SURF

CASIA-SURF是當前最大，模式最豐富的活體檢測數據集，包括1000個人的21000個視頻，數據集通過Intel RealSense SR300相機在不同的室內背景下采集得到，包括RGB，Depth和InfraRed(IR)視頻。

文章引用量：較少

推薦指數：?????

[5] Zhang S, Wang X, Liu A, et al. A Dataset and Benchmark for Large-scale Multi-modal Face Anti-spoofing[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019: 919-928.

6 FaceForensic++

FaceForensic是當前最大的偽造人臉數據集，它使用了Face2Face，FaceSwap，DeepFakes以及NeuralTextures共4種換臉算法對1000個真實視頻進行處理，各自得到了510207張真假臉對應的圖像。

文章引用量：較少

推薦指數：?????

[6] R?ssler A, Cozzolino D, Verdoliva L, et al. Faceforensics++: Learning to detect manipulated facial images[J]. arXiv preprint arXiv:1901.08971, 2019.

7 FakeSpotter

FakeSpotter是南洋理工，阿里巴巴，小米等合作提出的假臉檢測框架，與一般的使用最后的特征進行分類的思路不同，使用了每一層神經元的激活特性來進行分析。

文章引用量：較少

推薦指數：?????

[7]?Wang R, Ma L, Juefei-Xu F, et al. FakeSpotter: A Simple Baseline for Spotting AI-Synthesized Fake Faces[J]. arXiv preprint arXiv:1909.06122, 2019.

8 如何獲取文章與交流

找到有三AI開源項目即可獲取。

https://github.com/longpeng2008/yousan.ai

文章細節眾多，閱讀交流在有三AI知識星球中進行，感興趣可以加入。

總結

活體檢測和偽造人臉是當前人臉領域中非常前沿的研究和應用，方法并不是非常成熟，感興趣的同學可以多跟進。

有三AI秋季劃

有三AI秋季劃已經正式啟動報名，模型優化，人臉算法，圖像質量共24個項目，助力提升深度學習計算機視覺算法和工程項目能力。

有三AI秋季劃出爐，模型優化，人臉算法，圖像質量等24個項目等你來拿

轉載文章請后臺聯系

侵權必究

往期精選

• 【每周論文推薦】 初入深度學習CV領域必讀的幾篇文章
  

• 【每周CV論文推薦】 掌握殘差網絡必讀的10多篇文章

• 【每周CV論文推薦】 初學者必須精讀的5篇深度學習優化相關文章

• 【每周CV論文推薦】 CV領域中數據增強相關的論文推薦

• 【每周CV論文推薦】 初學高效率CNN模型設計應該讀的文章

• 【每周CV論文推薦】 初學目標檢測必須要讀的文章

• 【每周CV論文推薦】 初學深度學習圖像分割必須要讀的文章

• 【每周CV論文推薦】 初學GAN必須要讀的文章

• 【每周CV論文推薦】 深度學習人臉檢測入門必讀文章

• 【每周CV論文推薦】 初學深度學習人臉關鍵點檢測必讀文章

• 【每周CV論文推薦】 初學深度學習人臉識別和驗證必讀文章
  

總結

以上是生活随笔為你收集整理的【每周CV论文推荐】 初学活体检测与伪造人脸检测必读的文章的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。