|人脸识别漏洞频出?这个开源静默活体检测算法,超低运算量工业可用( 三 )
本文插图
小视科技团队采用在线的方式生成傅里叶频谱图 ， 使用 L2 Loss 作为损失函数 。 输入图片的尺寸为 3x80x80 ， 从主干网络中提取尺寸为 128x10x10 特征图 ， 经过 FTGenerator 分支生成 1x10x10 的预测频谱图 F_P。 通过傅里叶变换 ， 将输入图片转化成频谱图 ， 再进行归一化 ， 最后 resize 成 1x10x10 尺寸得到 F_G， 使用 L2 Loss 计算两特征图之间差异 ， 如公式（2）所示 。
本文插图
为了控制 L_FT在训练过程中对梯度的贡献作用 ， 分别引入了
本文插图
平衡两个损失函数L_Softmax和L_FT ， 如公式（3）所示 ， 其中
本文插图
。 在实验中设置
本文插图
。
本文插图
本文插图
图 7 傅里叶频谱辅助监督训练架构图
其他模型策略
使用大体量网络 ResNet34 蒸馏剪枝网络 MiniFASNetV1 和 MiniFASNetV2 ， 精度得到提升 。
使用模型融合的机制 ， 针对于不同输入尺度、不同网络结构以及不同迭代次数的模型进行融合 ， 充分挖掘模型间对分类任务的互补性 ， 提升模型精度 。
实验结果
测试集建立
小视科技团队基于实际的生产场景建立了 100W 量级的测试集 ， 从移动设备的视频流中实时获取图像 。 真脸数据包含了强光、暗光、背光、弱光以及阴阳脸等各种复杂场景 。 基于 2D 的假脸数据使用打印纸、铜版纸、照片纸以及电脑屏幕、平板 Pad 屏幕、手机屏幕 ， 在不同的距离、角度和光线下进行采集 。 基于 3D 的假脸数据则采用头模、硅胶面具和纸质照片抠洞的人脸面具进行采集 。
模型评价指标
小视科技团队采用 ROC 曲线作为模型的观测指标 ， 控制十万一的误检率 ， 保证模型在 97%+ 的通过率 。 与一般的分类任务不同 ， 团队采用了 ROC 曲线而非分类精度作为度量指标 ， 其原因是：生产落地场景对活体模型的误检控制具有很高的要求 。
为了降低活体在应用场景发生误检的概率 ， 小视科技团队控制模型误检率在十万一量级的同时 ， 保证了较高的真脸通过率 。 团队将活体定义为三分类任务 ， 为了适应 ROC 曲线的评价指标 ， 将真脸以外的类别都定义成假脸 ， 从而解决了使用 ROC 曲线适应多分类的问题 。
最终的开源融合模型 ， 包含了两个剪枝网络的单模型 ， 在测试集上的观测指标如表 2 所示 。 开源模型误检控制在 1e-5 的情况下 ， 真脸通过率能够达到 97.8% 。 未开源的高精度模型在相同的误检率下 ， 真脸通过率达到 99.5% 。
本文插图
表 2 模型观测指标
速度指标
开源融合模型在不同芯片上速度指标如表 3 所示 ， 在麒麟 990 5G 上仅需要 19ms 。
本文插图
表 3 模型测试速度
本文插图
安卓端体验 APK DEMO 演示
为了方便开发者更好地体验该项静默活体检测技术 ， 小视科技团队准备了用于测试的安卓端 APK ， 不仅可以直观地感受该项技术达到的效果 ， 还可以实时观测速度、置信度等相关指标 。
推荐阅读
- 天极网|LCD 屏内多点指纹解决方案亮相：触控、显示、指纹识别多合一
- 推特|推特回应“史诗级漏洞”：黑客锁定130个账号，控制45个发文
- 驱动中国|国内首次应用！支付宝开放宠物鼻纹识别技术：猫狗都能买保险
- 驱动中国|腾讯手机管家上线8.6版本，识别附近诈骗保护家人安全
- pos机|东城：居民“刷脸”进小区 防控精准又高效
- 互联网金融|刷脸支付被美国公司破解？难道人脸识别也不安全，马云：不存在的
- 中年|语音识别技术发展迅速，你需要全方位解读语音识别的最新著作
- 中年|睡前经济学｜识别长尾效应，如何花小力气研究“大事”？
- DIGITIMES|【IoT早报】美对华为员工实施签证限制；腾讯公布快充安全漏洞等
- 漏洞|Oracle发布7月份安全公告，360安全大脑测绘云再获Oracle官方致谢