要約
手作のテクスチャ特徴量、例えばLBP [23]、LBP-TOP [11] は、本物と偽物の顔の間で最も識別力のある情報を捉えることができないという問題が依然として存在しています。本研究では、自ら特徴量を設計する代わりに、深層畳み込みニューラルネットワーク（CNN）を用いて教師あり学習により高い識別能力を持つ特徴量を学習することに依存しました。これに一部のデータ前処理を組み合わせることで、顔のなりすまし検出性能が大幅に向上しました。実験では、CASIA [36] およびREPLAY-ATTACK [7] という2つの挑戦的なデータセットにおいて、最新手法と比較して半分総誤差率（HTER）が70%以上相対的に減少しました。さらに、2つのデータセット間での相互テストの実験結果から、CNNはより汎化能力の高い特徴量を得られることが示されました。また、2つのデータセットを組み合わせたデータを使用して訓練されたネットワークは、2つのデータセット間でのバイアスが少ないことも確認されました。