CVPR & AAAI 2020 | 人脸活体检测最新进展

2020 年 3 月 20 日 CVer

点击上方“CVer”，选择加"星标"或“置顶”

重磅干货，第一时间送达

作者：Fisher Yu余梓彤

https://zhuanlan.zhihu.com/p/114313640

本文已由原作者授权，不得擅自二次转载

今年活体检测（FAS）比较火热，这块的文章投稿和录用量剧增，AAAI录了2篇（上年0篇），CVPR也录了大概6篇（上年4篇）。本文主要讲解奥卢大学Oulu, 西工大NPU，自动化所NLPR，Aibee，明略科学院等合作的3篇文章（一篇Oral，一篇Spotlight，一篇Poster）。

------------------------------------------

值得一提的是，基于中心差分卷积 ( Central Difference Convolution CDC )[1] 和对比深度损失 ( Contrastive Depth Loss )[2]，该团队斩获CVPR2020 ChaLearn Face Anti-spoofing Attack Detection Challenge 活体检测国际大赛的 Track多模态冠军 + Track单模态亚军，具体代码也已开源：

https://github.com/ZitongYu/CDCN

一、CDCN [1], CVPR2020

看文章的组织架构，你会发现跟谷歌的MixNet有点类似，就是先设计新的搜索操作子，然后引进NAS里，取得更好的性能。也就是说，文章的重心是放在新型卷积操作的设计。

主要的贡献是：

1. 提出了中心差分卷积CDC，在基本不增加参数和运算量的前提下，大大提高了网络对细节信息的表征能力，及对环境变化的鲁棒性。

2. 第一个尝试用NAS来解决FAS问题，假定现有的架构的 repeated block 并不是最优的。

--------------------------------------

首先我们来看看Fig.1，使用普通卷积非常容易受到光照camera型号等影响，而使用CDC后网络更能捕捉到spoofing的本质特征，且不容易受到外部环境的影响。

接着我们来看看CDC的公式：

分别为输入，输出的feature map；为卷积核参数；为当前位置，为局部邻域的 index。最重要的超参，范围是 [0,1]，当时，CDC就变成普通vanilla卷积；当时，就只用了差分信息。当然，这参数可以手工调，也可以自动进行学习，文章里都有对应的消融实验。CDC的代码实现也非常简单，在 Pytorch 或 Tensorflow 只需要几行代码。

上图展示的是文章中用的 Baseline network [4]，是18年CVPR中MSU提出来的，我们只用了其单帧伪深度预测的那部分结构。为了公平对比，我们不改变任何的网络架构，只将原始卷积全部换成CDC，结果如下图所示：

Fig. 6 (a) 可见，在OULU-NPU的 protocol-1上，baseline（）的结果为ACER=3.8%，而随着越来越大，性能逐渐变好，当时，取得了最好的性能 ACER=1.0%。也就是说，局部零阶intensity信息和一阶gradient差分信息都在网络中扮演重要的角色，且在活体检测任务中，梯度信息的作用稍微重要一点。

另外我们也探讨了CDC与现有的 LBConv [5] 和 GaborConv [6] 的性能差异，如 Fig. 6 (b) 所示，CDC在活体检测任务中性能远超它们。

----------------------------------------------

最后，我们把基于CDC的搜索空间，用PC-DARTS [7] 进行low-level, mid-level和high-level的cell架构搜索；在搜出来的backbone里再添加上多级注意力模块，进一步整合multi-level 特征，得到 CDCN++。贴个在 OULU-NPU 数据集上的实验结果供参考：

未来展望：

一方面，我们会继续对CDC进行拓展完善；另一方面，后续会开拓CDC在其他视觉任务的应用，比如多媒体质量评价，人脸篡改检测FaceForencis 等等。当然，也希望未来的NAS search space里都把CDC考虑进去，毕竟普通vanilla卷积只是CDC的一种特例，使用CDC进行搜索，具有更大的可能性。

二、FAS-SGTD [2], CVPR2020 (Oral)

代码链接：

https://github.com/clks-wzz/FAS-SGTD

前几年的活体工作，对时空信息探索得较粗糙，基本都是ResBlock直接过去，然后接个LSTM，虽然都搞个CAM来可视化一下，但真的很难知道学到了什么，为什么会性能好。FAS-SGTD致力于从空间Spatial 和时间Temporal 层面来揭秘活体检测。

主要的贡献有：

1. 为了更好表征spatial信息，提出基于空间梯度幅值的 Residual Spatial Gradient Block (RSGB)。

2. 为了更好表征temporal信息，提出多级短长时时空传播模块 Spatio-Temporal Propagation Module (STPM)。

3. 为了让网络更好地学习到细节的spoofing patterns，提出了细粒度的监督损失：Contrastive Depth Loss (CDL) 。

4. 提出了新型数据集 Double-modal Anti-spoofing Dataset (DMAD) ，第一次对真实传感器感知的Depth 和 PRNet产生的伪Depth 作为监督信号时的性能差异进行实验分析。

---------------------------------------------

我们先来看看经典的 Fig.1 和 Fig.2，形象地阐述了Living face 和 presentation attacks 的一些时空差异：

从上图经典 Sobel 算子出来的 spatial gradient magnitude map 可见，真实人脸具有更细致可靠的空间特征。

从上图简单的 Structure from motion 简单示意图可见，帧间的micro motion能够更好地重构出有用的立体信息，而真实人脸和假脸的立体信息也是有差异的。

----------------------------------------------

残差空间梯度模块 RSGB：

后面文章提交后才发现，跟 Kaiming 的这篇CVPR2019 "Feature Denoising for Improving Adversarial Robustness" [8] 想法有点撞车了。不过出发点是相反的，文[8]中是为了尽量不受 Adversarial 扰动的影响，所以在 feature map level 进行 denosing 残差操作；而本文RSGB更关注局部细节信息，故在 feature map level 进行 sobel 残差操作。做计算机视觉任务的有趣地方就是，不同任务需要涉及 task-aware knowledge，很难有像 machine learning一样通杀。

--------------------------------------------

多级短长时时空传播模块 STPM：

不同于OFF [9] 的是，我们考虑到了未来帧的spatial gradient features，这对多帧活体检测任务是非常重要的，具体关于STPM的消融实验请阅读原文。

---------------------------------------------

对比深度损失 CDL：

在Pixel to Pixel 的传统MSE loss基础上，加上 Local to Local 的CDL，能保证网络学到更细粒度的特征表达。

-------------------------------------------

双模态活体检测数据集 DMAD：

内含多种material材质，且包含多帧的真实depth信息，对于研究 Temporal Depth 很棒~

--------------------------------------------

最后来贴个很challenging的跨数据集的实验结果，FAS-SGTD 非常鲁棒：

三、AIM-FAS [3], AAAI2020 (Spotlight)

代码及Protocol链接：

https://github.com/qyxqyx/AIM_FAS

本文的出发点是，由于市面上的 zero-shot 和 domain generalization 的FAS文章并不能全面地定义人脸防伪在实际应用中的问题。比如说，1) 现有的protocol没有充分对跨domain跨攻击跨模态进行组合定义; 2) 实际应用中一般可快速得到少量新场景的数据，应当充分利用这些few data来进行可靠地部署。

因此本文提出了：

1. 把FAS定义为一个 zero- & few-shot learning 的问题，并提出了 Adaptive Inner-update Meta Face Anti-Spoofing (AIM-FAS)。

2. 建立了新的 FAS benchmarks (OULU-ZF, Cross-ZF 和 SURF-ZF) 来进行zero- & few-shot 活体检测研究。

----------------------------------------------

先来看看什么是 zero- & few-shot FAS：

给定 Pre-defined 的Living 和 spoofing types 和 scenes 进行训练，直接在没见过的新场景（新攻击类型）下进行测试，这属于 Zero-shot；当引入少量新场景（新攻击类型）的数据进行训练，这时就变成 Few-shot。

--------------------------------------------

为了同时解决 zero- & few-shot FAS 问题，我们提出了能自适应在Inner-update阶段进行学习的meta learning方法，如下图所示：

我们以更细粒度的方式重新组织了FAS的数据集，并以下面的步骤来产生 K-shot 任务：

1）从细粒度的FAS数据集中，采样 living 和 spoofing 各一类，作为 pre-defined living 类型和 spoofing类型。采样其他的 living 和 spoofing 类别作为 unseen living 类型和 spoofing 类型。

2）对 pre-defined 的 living 或者 spoofing 类型，采样个人脸图。对于 unseen living 或者 spoofing 类型，采样个人脸图。

3）使用个 pre-defined，及个 unseen 的living 和 spoofing 人脸图，来当成 support set。使用剩余的个 unseen 人脸图当成 query set.

通过上述的方式，我们可以对 meta-learner 进行 zero- & few-shot 的 fusion training。这里的meta算法是基于经典的MAML，也是分为 Inner-update阶段和 Optimizing阶段。

不同于MAML里的 Inner-update阶段的fixed学习率，我们让meta-learner根据不同的step进行自适应地调整学习率，这就是 Adaptive Inner-update Meta（AIM）的由来：

这里的都是可学习的标量，而是inner-update的step次数。

---------------------------------------------

Zero- & few-shot FAS Benchmarks:

1) OULU-ZF：single domain

2) Cross-ZF: cross domain

3) SURF-ZF: cross modal

-----------------------------------------------

实验部分：

如Table 5所示，在提出的三个FAS benchmarks上，AIM-FAS能取得比之前专治zero-shot FAS的DTN [10] 更好的性能。注意到，SURF-ZF所有方法的性能都很低，可见跨模态测试是非常challenging。

同时文中也给出来inner-update阶段的自适应参数曲线变化，随着学习step的增加，AIM-FAS倾向于使用更大的：

-----------------------------------------------

Reference:

[1] Zitong Yu et al., Searching Central Difference Convolutional Networks for Face Anti-Spoofing, CVPR2020

[2] Zezheng Wang et al., Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing, CVPR2020 (Oral)

[3] Yunxiao Qin et al., Learning Meta Model for Zero- and Few-shot Face Anti-spoofing, AAAI2020 (Spotlight)

[4] Yaojie Liu et al., Learning deep models for face anti-spoofing: Binary or auxiliary supervision, CVPR2018

[5] Felix Juefei-Xu et al., Local binary convolutional neural networks, ICCV2017

[6] Shangzhen Luan et al., Gabor convolutional networks, TIP2018

[7] Yuhui Xu et al., PC-DARTS: Partial Channel Connections for Memory-Efficient Differentiable Architecture Search, ICLR2020

[8] Cihang Xie et al., Feature Denoising for Improving Adversarial Robustness, CVPR2019

[9] Shuyang Sun et al., Optical flow guided feature: A fast and robust motion representation for video action recognition, CVPR2018

[10] Yaojie Liu et al., Deep tree learning for zero-shot face anti-spoofing, CVPR2019

重磅！CVer-人脸相关 微信交流群已成立

扫码添加CVer助手，可申请加入CVer-人脸相关 微信交流群，具体涵盖人脸检测、识别、关键点检测、表情识别、活体检测等人脸方向。

同时也可申请加入CVer大群和细分方向技术群，细分方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流等群。

一定要备注：研究方向+地点+学校/公司+昵称（如活体检测+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群