计算机科学与探索

作者：史屹琛, 封筠, 肖立轩, 贺晶晶, 胡晶晶

单位：1.石家庄铁道大学 信息科学与技术学院，石家庄 050043；2.北京理工大学 计算机科学与技术学院，北京 100081

关键词：人脸活体检测（FAS）,领域自适应,领域泛化,零样本/小样本学习,异常检测,深度学习

基金：国家自然科学基金(61772070);国家自然科学基金(61972267);河北省高等学校科学技术研究重点项目(ZD2021333)

人脸活体检测（FAS）作为保护人脸识别模型的重要手段，能够确保系统在面对各种呈现攻击时仍然安全、可靠。当前基于深度学习的人脸活体检测模型在测试数据与训练数据服从同一分布时结果令人满意，但当训练好的模型在领域外场景进行推理时，如遇到跨域迁移、分布外场景时，模型的准确性会出现较大的下降。主要阐述了静默型人脸活体检测模型在真实场景中会遇到的问题，即模型遇到未知环境和未知攻击方式。将相应的解决方案分为四类：基于领域自适应的方法、基于领域泛化的方法、基于零样本/小样本学习的方法以及基于异常检测的方法。对各解决方案及其包含的深度学习模型方法进行总结、比较，归纳了主要方法的机制、模型结构、优势、局限性以及适用场景。介绍了领域外场景下人脸活体检测常用的公共数据集、评价指标、测评协议以及在部分测评协议下当前先进方法的测试结果。最后讨论了人脸活体检测在实际应用中存在的难点与挑战，总结了未来的研究方向。

来源：2022年第11期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2022年第11期