論文の概要: Searching Central Difference Convolutional Networks for Face Anti-Spoofing

• arxiv url: http://arxiv.org/abs/2003.04092v1
• Date: Mon, 9 Mar 2020 12:48:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 08:59:22.430500
• Title: Searching Central Difference Convolutional Networks for Face Anti-Spoofing
• Title（参考訳）: 顔アンチスプーフィングのための中央差分畳み込みネットワークの探索
• Authors: Zitong Yu, Chenxu Zhao, Zezheng Wang, Yunxiao Qin, Zhuo Su, Xiaobai Li, Feng Zhou, Guoying Zhao
• Abstract要約: 顔認識システムにおいて、顔の反偽造(FAS)が重要な役割を担っている。 最先端のFASメソッドの多くは、スタック化された畳み込みと専門家が設計したネットワークに依存している。 ここでは、中央差分畳み込み(CDC)に基づくフレームレベルの新しいFAS手法を提案する。
• 参考スコア（独自算出の注目度）: 68.77468465774267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face anti-spoofing (FAS) plays a vital role in face recognition systems. Most state-of-the-art FAS methods 1) rely on stacked convolutions and expert-designed network, which is weak in describing detailed fine-grained information and easily being ineffective when the environment varies (e.g., different illumination), and 2) prefer to use long sequence as input to extract dynamic features, making them difficult to deploy into scenarios which need quick response. Here we propose a novel frame level FAS method based on Central Difference Convolution (CDC), which is able to capture intrinsic detailed patterns via aggregating both intensity and gradient information. A network built with CDC, called the Central Difference Convolutional Network (CDCN), is able to provide more robust modeling capacity than its counterpart built with vanilla convolution. Furthermore, over a specifically designed CDC search space, Neural Architecture Search (NAS) is utilized to discover a more powerful network structure (CDCN++), which can be assembled with Multiscale Attention Fusion Module (MAFM) for further boosting performance. Comprehensive experiments are performed on six benchmark datasets to show that 1) the proposed method not only achieves superior performance on intra-dataset testing (especially 0.2% ACER in Protocol-1 of OULU-NPU dataset), 2) it also generalizes well on cross-dataset testing (particularly 6.5% HTER from CASIA-MFSD to Replay-Attack datasets). The codes are available at \href{https://github.com/ZitongYu/CDCN}{https://github.com/ZitongYu/CDCN}.
• Abstract（参考訳）: face anti-spoofing (fas) は顔認識システムにおいて重要な役割を果たす。 最先端のfas法 1) 積み重ねた畳み込みとエキスパート設計のネットワークに依存するが,細かな細かな情報の記述には弱く,環境が変化する場合(例えば,異なる照明)に容易に有効ではない。 2)長いシーケンスをインプットとして使用して動的特徴を抽出することを好むため、迅速な応答を必要とするシナリオへのデプロイが困難になる。 本稿では,集中差分畳み込み(CDC)に基づくフレームレベルのFAS手法を提案する。 CDCで構築されたネットワークであるCentral difference Convolutional Network (CDCN)は、バニラ畳み込みで構築されたネットワークよりも堅牢なモデリング能力を提供できる。 さらに、特別に設計されたcdc検索空間において、ニューラルネットワーク検索(nas)を使用して、より強力なネットワーク構造(cdcn++)を発見し、さらにパフォーマンスを高めるためにマルチスケールアテンション・フュージョン・モジュール(mafm)を組み立てることができる。 6つのベンチマークデータセットで包括的な実験が行われ、 1)提案手法は,データセット内テスト(特にOULU-NPUデータセットのProtocol-1における0.2% ACER)において,優れた性能を達成できる。 2) クロスデータセットテスト(特にCASIA-MFSD から Replay-Attack データセットまで 6.5% HTER )にも適している。 コードは \href{https://github.com/ZitongYu/CDCN}{https://github.com/ZitongYu/CDCN} で公開されている。

関連論文リスト

• Embracing Events and Frames with Hierarchical Feature Refinement Network for Object Detection [17.406051477690134]
  イベントカメラはスパースと非同期のイベントを出力し、これらの問題を解決する潜在的な解決策を提供する。 イベントフレーム融合のための新しい階層的特徴改善ネットワークを提案する。 本手法は, フレーム画像に15種類の汚損タイプを導入する際に, 極めて優れたロバスト性を示す。
  論文  参考訳（メタデータ） (2024-07-17T14:09:46Z)
• Multi-scale Quaternion CNN and BiGRU with Cross Self-attention Feature Fusion for Fault Diagnosis of Bearing [5.3598912592106345]
  深層学習は断層診断(FD)に著しい進歩をもたらした マルチスケール畳み込み畳み込みニューラルネットワーク(MQCNN)、双方向ゲートリカレントユニット(BiG)、クロス自己注意機能融合(CSAFF)を統合した新しいFDモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-25T07:55:02Z)
• Neural Attentive Circuits [93.95502541529115]
  我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。 NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。 NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
  論文  参考訳（メタデータ） (2022-10-14T18:00:07Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• FCCDN: Feature Constraint Network for VHR Image Change Detection [12.670734830806591]
  本稿では,変更検出のための特徴制約変更検出ネットワーク(FCCDN)を提案する。 両時間的特徴抽出と特徴融合を両立させる。 2つのビルディング変更検出データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-05-23T06:13:47Z)
• Dual-Cross Central Difference Network for Face Anti-Spoofing [54.81222020394219]
  対面防止(FAS)は、顔認識システムを保護する上で重要な役割を担っている。 中央差分畳み込み(CDC)は、FASタスクの優れた表現能力を示しています。 中心と周囲の局所的な特徴の差を利用した2つのC-CDC(Cross Central difference Convolutions)を提案する。
  論文  参考訳（メタデータ） (2021-05-04T05:11:47Z)
• Atlas-aware ConvNetfor Accurate yet Robust Anatomical Segmentation [14.187615351160021]
  本稿では、確率論的アトラス事前を予測の明示的な制約として組み込んだ完全な畳み込み制約導入モジュール(CAM)を紹介する。 このようなアトラス前駆体融合の利点は2つの脳パーセレーションタスクで2倍になることを示す。 提案手法は,CAMを微調整し,精度とロバスト性の向上を図ることで,既存のConvNetに容易に適用できることを示唆している。
  論文  参考訳（メタデータ） (2021-02-02T02:06:06Z)
• Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
  本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
  論文  参考訳（メタデータ） (2020-07-10T08:08:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。