摘要

人脸反欺骗（Face Anti-Spoofing, FAS）系统用于识别针对人脸识别系统所发起的恶意欺骗攻击，例如通过视频回放或打印纸质材料等手段。随着人脸识别技术作为生物特征认证手段的广泛应用，FAS技术的重要性日益凸显。从学习视角来看，此类系统本质上是一个二分类任务。在基于神经网络的解决方案中，通常采用二元交叉熵（Binary Cross-Entropy, BCE）作为损失函数进行优化。在本研究中，我们提出了一种改进的BCE变体，该方法在角度空间中引入了间隔约束，并将其应用于DeepPixBis模型[1]的训练过程。此外，我们还提出了一种适用于全卷积网络架构的注意力像素级监督机制，以有效整合此类损失函数。实验结果表明，所提出的方案在多个基准数据集上的内部与跨数据集测试中均取得了具有竞争力的性能表现，始终优于原始的DeepPixBis模型。尤为值得注意的是，在OULU-NPU数据集的Protocol 4（被公认为最具挑战性的测试协议）下，我们的方法取得了5.22%的等错误率（ACER），仅比当前最优方法高出0.22%，且无需依赖昂贵的神经架构搜索（Neural Architecture Search）过程。