基础模型在面部攻击检测方面展现出潜力，但在跨数据集迁移方面存在困难

研究人员通过统一的线性探测协议评估了24个冻结编码器，以研究基础模型在面部呈现攻击检测（PAD）方面的有效性。研究发现，虽然这些模型包含通过最少训练即可访问的PAD相关信息，但由于领域漂移，这些信息在不同数据集之间无法可靠地迁移。模型规模在某些家族内显示出优势，但性能也受到架构和预训练方法的影响。InternViT-6B在数据集内误差最低，而CLIP ViT-B/32在测试探针中提供了最佳的跨数据集迁移-计算权衡。 AI

影响 对用于面部攻击检测的基础模型的研究突显了在实际应用中克服领域漂移挑战需要进行显式适应。

排序理由 该集群基于一篇详细介绍基础模型在特定AI任务研究结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• CASIA-FASD
• CLIP ViT-B/32
• Face Presentation Attack Detection Using Deep Background Subtraction
• foundation model
• Hugging Face
• InternViT-6B
• MCIO benchmark
• MSU-MFSD
• OULU-NPU
• replay attack

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →