直播时间：2022年3月20日（周日）20:00-21:00
王卓：北京邮电大学模式识别实验室研究生，主要研究方向为人类防伪，目前已在CVPR会议和TIFS期刊上发表论文。
报告题目：一种基于特征组合的域泛化性活体检测算法
报告摘要：随着各种呈现攻击的不断出现，活体检测算法（FAS）越来越受到人们的关注。现有的大多数算法都是基于图像的完全表示来实现域泛化性（DG）。但是，不同的图像统计信息可能对活体检测任务具有其独特的性质。在这项工作中，我们将图像的完全表示分离成内容特征和风格特征，同时提出了一个新的SSAN网络，用于提取不用的内容特征和风格特征，并对分离后的特征重新组合，以构建一个重组后的特征空间。然后，为了获得具有泛化性的特征表示，我们对重组后的特征实施对比学习，用以强调与活体信息相关的风格部分，同时抑制与域信息相关的风格部分。最后，在预测阶段，我们使用正确的重组特征来区分真实人脸与攻击图像。另一方面，尽管目前的活体检测算法已经达到了很好的性能，但是由于数据量和数据分布之间的差异，学术届与工业界的评估标准仍存在着很多不同。因此，我们建立了一个大规模评估协议，用以进一步评估算法在现实场景下的性能。
论文题目：Domain Generalization via Shuffled Style Assembly for Face Anti-Spoofing
分享亮点：
1. 为了分别利用基于全局和局部的数据统计特征，本文提出了一个新的网络结构SSAN，以特征分离和特征重组的方式，来实现域泛化性活体检测。
2. 为了增强风格特征中的活体信息部分，同时抑制域信息部分，我们采用了对比学习的方式，以控制重组后的特征按照活体信息来靠近或者远离其对应的锚特征。以此种方式得到的对比损失被用于对网络的训练。
3. 基于真实世界的数据分布，本文融合了12个公共数据集，用以构造一个用于活体检测问题的大规模测试协议。同时提出了单边TPR@FPR以获得更加可信和全面的评测结果。
1. Deep Learning for Face Anti-Spoofing: A Survey
这篇文章是目前活体检测领域最新综述，为读者从多个维度梳理了算法的发展，同时该文的作者团队维护了一个git仓库，以方便读者快速获取综述中涉及的论文。
2. Searching Central Difference Convolutional Networks for Face Anti-Spoofing
对经典的LBP算子进行了卷积化改造，提出了中心差分卷积（CDC），并构建了活体检测领域经典的CDCN网络。
3. Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing
基于多帧视频来预测深度图，以凸显活体与攻击视频间的差异。同时在补充材料部分对深度图应用于活体检测问题进行了详细的描述和证明。
4. Single-Side Domain Generalization for Face Anti-Spoofing
提出了经典的单边域泛化性活体检测算法：在特征空间中，将来自不同域的真实特征聚为一类，将来自不同域的虚假特征按照其域标签各自聚成一类，以提高算法在未知数据上的泛化性。
5. Meta-Teacher For Face Anti-Spoofing
利用元学习思想，训练一个meta-teacher，模型的优化过程不是为了更好地拟合训练数据，而是为了让meta-teacher具备更好的“教学”能力。
6. Unified Detection of Digital and Physical Face Attacks
这篇文章第一次尝试将深伪检测问题（Face forgery detection）和活体检测（Face anti-spoofing）放在一起进行研究，利用自动聚类和多任务学习的思想，提出了一种新的框架，对于未来的研究具有启发性。
