近日，实验室关于跨域活体检测的工作被IEEE TIFS接收。IEEE TIFS全称为IEEE Transactions on Information Forensics and Security，是生物特征识别、信息安全领域的CCF-A类权威期刊，2021年公布的影响因子7.178。论文信息如下：
Dual-Branch Meta-learning Network with Distribution Alignment for Face Anti-spoofing (Yunpei Jia, Jie Zhang, Shiguang Shan)
人脸识别系统被广泛应用于访问控制、安全检查、智能监控、手机解锁等场景中。人脸活体检测（Face anti-spoofing， 又经常被称为人脸呈现攻击检测）对于保障人脸识别系统的安全性至关重要。实际场景中由于各个数据域之间的分布差异，现有的活体检测方法在未知域中的泛化性能通常较差。为了对未知域中的数据提取领域不变的特征，这项工作运用特征分布对齐的思想，提出了一个双分支元学习活体检测网络（DBMNet）。具体地，DBMNet 由一个特征嵌入 (FE) 分支和一个深度估计 (DE) 分支组成，这两个分支联合进行活体检测。每个分支都作为一个元学习器，并通过步数自适应调整的元学习进行优化，该方式可以自适应地选择最佳的元训练步数。同时，为了减少不同域之间的特征分布差异，我们引入了两个分度对齐损失，即FE分支的三元组损失和DE分支的深度回归损失，以直接约束对应的元学习器。这两个损失同时运用在元训练和元测试阶段，对高阶梯度均有贡献，有助于进一步提取领域不变特征。充足的消融实验和与最先进方法的对比显示了我们的方法在提升模型泛化性上的有效性。代码已经开源：http://github.com/taylover-pei/DBMNet-TIFS。
总的来说，我们工作的主要贡献在于以下三个方面：
１）我们提出了一种用于人脸活体检测的新型双分支元学习网络（DBMNet），其中两个分支分别通过步数自适应调整的元学习进行优化，旨在选择最佳的元训练步数以获得更好的模型泛化性能。
２）我们引入了两个分布对齐损失来显示约束两个网络分支，这不仅减轻了不同领域之间的特征分布差异，而且其损失对高阶梯度有贡献，有助于进一步提取域不变特征。
３）我们与现有方法进行了全面比较，并在六个活体检测数据集和一个通用领域泛化PACS数据库上均取得良好的性能。
附件：