摘要
由于生物特征认证系统对安全性的高要求，人脸反欺骗技术受到了广泛关注。将人脸生物特征识别技术应用于商业硬件，主要依赖于开发无需专用传感器即可可靠检测伪造登录会话的方法。现有的基于卷积神经网络（CNN）的方法在训练所用数据域上表现良好，但在面对未见过的测试数据集时往往泛化能力较差。本文提出一种利用无监督预训练的方法，能够在无需任何微调的情况下提升模型在多个数据集上的性能；同时，我们构建了“Entry Anti-Spoofing 数据集”，用于监督式微调；此外，我们提出一种多类别辅助分类层，通过引入显式且可解释的信号，增强原有二分类任务对欺骗攻击的检测能力。实验结果表明，我们的模型在MSU-MFSD、Replay-Attack和OULU-NPU等多个数据集上的跨数据集测试中均取得了当前最优的性能表现。