FeatherNets : Réseaux de neurones convolutifs aussi légers qu'une plume pour la détection de l'anti-usurpation faciale

La détection anti-fraude faciale (Face Anti-spoofing) attire de plus en plus l'attention dans les domaines académiques et industriels. Avec l'émergence de diverses solutions basées sur les CNN (Convolutional Neural Networks), les méthodes multi-modales (RGB, profondeur et IR) basées sur les CNN ont montré des performances supérieures à celles des classifieurs mono-modaux. Cependant, il est nécessaire d'améliorer les performances et de réduire la complexité. Ainsi, une architecture de réseau extrêmement léger (FeatherNet A/B) est proposée, dotée d'un module de flux qui corrige la faiblesse du Global Average Pooling tout en utilisant moins de paramètres. Notre FeatherNet unique formé uniquement avec des images de profondeur fournit une base élevée avec un ACER (Average Classification Error Rate) de 0,00168, 0,35 million de paramètres et 83 millions de FLOPS (Floating Point Operations Per Second). De plus, une nouvelle procédure de fusion structurée en « ensemble + cascade » est présentée pour répondre aux cas d'utilisation privilégiant les performances. Parallèlement, le jeu de données MMFD a été collecté pour offrir davantage d'attaques et de diversité afin d'obtenir une meilleure généralisation. Nous avons utilisé notre méthode de fusion lors du défi de détection des attaques anti-fraude faciales à CVPR2019 et obtenu un ACER de 0,0013, un TPR (True Positive Rate) à FPR = 10e-2 de 0,999, un TPR à FPR = 10e-3 de 0,998 et un TPR à FPR = 10e-4 de 0,9814.