Recherche de réseaux de convolution à différences centrées pour la détection anti-contrefaçon visage

La détection anti-spoofing par reconnaissance faciale (FAS) joue un rôle essentiel dans les systèmes de reconnaissance faciale. La plupart des méthodes actuelles de pointe en FAS présentent deux limitations majeures : 1) elles reposent sur des réseaux à convolution empilée et conçus de manière experte, ce qui limite leur capacité à modéliser des informations détaillées et fines, et les rend souvent inefficaces en cas de variation d’environnement (par exemple, éclairage variable) ; 2) elles privilégient l’utilisation de séquences longues en entrée afin d’extraire des caractéristiques dynamiques, ce qui les rend difficiles à déployer dans des scénarios exigeant une réponse rapide. Dans ce travail, nous proposons une nouvelle méthode de FAS au niveau des trames fondée sur la Convolution par Différence Centrale (CDC), capable de capturer des motifs intrinsèques détaillés en combinant à la fois les informations d’intensité et de gradient. Un réseau construit à partir de CDC, nommé Réseau Convolutif par Différence Centrale (CDCN), offre une capacité de modélisation plus robuste que les réseaux classiques basés sur la convolution standard. En outre, à l’aide d’un espace de recherche de CDC spécifiquement conçu, une recherche d’architecture neuronale (NAS) est exploitée pour découvrir une structure de réseau plus puissante (CDCN++), qui peut être combinée avec un module d’agrégation d’attention multiscale (MAFM) afin d’encore améliorer les performances. Des expériences approfondies ont été menées sur six jeux de données standard, démontrant que : 1) la méthode proposée atteint des performances supérieures sur les tests intra-jeu de données (notamment un taux d’erreur de reconnaissance fausse positive de 0,2 % sur le protocole 1 du jeu de données OULU-NPU) ; 2) elle se généralise efficacement aux tests cross-jeu de données (en particulier une erreur de taux de faux rejet (HTER) de 6,5 % passant du jeu de données CASIA-MFSD au jeu de données Replay-Attack). Les codes sont disponibles à l’adresse suivante : \href{https://github.com/ZitongYu/CDCN}{https://github.com/ZitongYu/CDCN}.