초록
일부 진전을 이룬 것은 사실이지만, 수작업으로 만든 질감 특성(예: LBP [23], LBP-TOP [11])은 여전히 진짜와 가짜 얼굴 간의 가장 구별되는 요소를 포착하지 못하고 있습니다. 본 논문에서는 특성을 직접 설계하는 대신, 감독 학습 방식으로 높은 구별 능력을 가진 특성을 학습할 수 있는 깊은 컨벌루션 신경망(CNN)에 의존합니다. 일부 데이터 전처리와 결합하여 얼굴 위조 탐지 성능이 크게 향상되었습니다. 실험 결과, CASIA [36]와 REPLAY-ATTACK [7]라는 두 가지 어려운 데이터셋에서 기존 최고 수준의 방법과 비교해 반 총 오류율(HTER)이 70% 이상 상대적으로 감소했습니다. 또한 두 데이터셋 간의 교차 테스트 결과는 CNN이 일반화 능력이 더 우수한 특성을 얻을 수 있음을 나타내고 있습니다. 더욱이, 두 데이터셋의 결합된 데이터를 사용하여 훈련된 네트워크는 두 데이터셋 간의 편향성이 적습니다.