摘要

面部防伪技术近年来在学术界和工业界都受到了越来越多的关注。随着各种基于卷积神经网络（CNN）的解决方案的出现，多模态（RGB、深度和红外）方法在性能上优于单模态分类器。然而，仍需进一步提高性能并降低复杂度。为此，提出了一种极端轻量级网络架构（FeatherNet A/B），该架构包含一个流模块，可以修正全局平均池化的弱点，并且使用较少的参数。仅通过深度图像训练的单一FeatherNet提供了更高的基线性能，其ACER值为0.00168，参数量为0.35M，计算量为83M FLOPS。此外，还提出了一种新颖的融合流程，采用“集成+级联”结构，以满足高性能应用场景的需求。同时，收集了MMFD数据集以提供更多的攻击样本和多样性，从而获得更好的泛化能力。我们在CVPR 2019面部防伪攻击检测挑战赛中使用了该融合方法，并取得了以下结果：ACER值为0.0013，TPR@FPR=10e-2时为0.999，TPR@FPR=10e-3时为0.998，TPR@FPR=10e-4时为0.9814。