脸部活跃度检测 描述 深度学习管道，能够发现人脸与合法人脸，并在人脸识别系统中执行反人脸欺骗。 它是在Keras，Tensorflow和OpenCV帮助下构建的。 样本数据集已上传到sample_dataset_folder中。 方法 检测伪造的面Kong与真实/合法面Kong的问题被视为二进制分类任务。 基本上，给定输入图像，我们将训练一个卷积神经网络，该卷积神经网络能够将真实面Kong与伪造/欺骗面Kong区分开。 该任务涉及四个主要步骤： 构建图像数据集本身。 实现一个能够执行活动检测器（Livenessnet）的CNN。 训练活动度检测器网络。 创建一个能够采用我们训练有素的活动检测器模型的Python + OpenCV脚本，并将其应用于实时视频。 创建一个Web平台以交互方式访问活动度检测算法。 该存储库的内容 sample_liveness_data：包含样本数据集。

学习卷积神经网络的面部反欺骗 “”论文的实现 结果 CASIA内测 原始数据集：或（密码：h5un） 规模 1.0 1.4 1.8 2.2 2.6 吝啬的 开发EER 0.1094 0.0408 0.0346 0.0339 0.0670 0.0571 测试HTER 0.1033 0.0492 0.0568 0.0675 0.0875 0.0729 测试EER 0.0923 0.0461 0.0578 0.0665 0.0790 0.0683

awesome_face_antispoofing_celeb 这是一个单镜头反欺骗项目。 深度学习框架是Pytorch。 使用Python3.5。 数据 CelebA-Spoof [ECCV2020]大规模面部反欺骗数据集 预处理数据 训练数据：实时裁剪示例： 052210_crop.jpg ，欺骗裁剪示例： 474951_crop.jpg ，在make_crop_image.py编辑这些图像的make_crop_image.py ， require_dataset_crop.py 测试数据：实时裁剪示例： 498269_crop.png ，欺骗裁剪示例： 495026_crop.png ，在make_crop_image.py编辑这些图像的make_crop_image.py ， require_dataset_crop.py 在CelebA-Spoof-EDABK / dat

alexnet代码matlab 自述文件 该存储库是有关“使用卷积神经网络的语音表示攻击检测”一书的配套内容。 它包含用于在论文中生成结果的代码。 本自述文件简要描述了此存储库中的3个目录。 他们是： matlab_AlexNet ：生成AlexNet结果 pytorch/ ：训练和测试在Pytoch中实现的基于CNN的系统 tensorflow/ ：训练和测试在Tensorflow中实现的基于CNN的系统 每个目录都有一个单独的自述文件，以使代码正常工作。

RAIM算法与转发式欺骗干扰论文总结：接收机自主完好性监测与Antispoofing