学位论文简介

作为保障系统安全的关键防线，人脸活体检测技术通过判别输入样本的生物活性特征，有效区分真实人脸与假体攻击。本研究以人脸识别系统为应用导向，围绕跨域人脸活体检测泛化性展开研究，取得了以下主要创新性研究成果：

(1) 提出基于注意力和残差蒸馏的域泛化人脸活体检测算法（DRDN）。首先，设计像素级残差蒸馏模块，抑制高层语义和低频光照干扰；其次，开发特征级注意力对比学习机制，构建距离感知的非对称嵌入空间以避免类边界过拟合；最后，设计注意力增强骨干网络，自适应捕获关键区域和通道特征。

(2) 提出基于类别条件梯度对齐的域适应人脸活体检测算法（CCGA-FAS）。首先，建立类别条件梯度对齐机制，最大化同类样本的梯度向量相似度，确保源域和目标域遵循一致的优化方向；其次，设计动态类别度量器，基于时序知识和自适应阈值策略为无标签样本提供可靠的伪类别信息；最后，构建教师-学生协同优化框架，增强梯度对齐的稳定性。

(3) 提出基于梯度匹配和联邦学习的域泛化人脸活体检测算法（GM-GFAS）。遵循标准联邦学习架构，将传统的数据聚合转化为梯度聚合，以保护数据隐私。在中央服务器端，引入基于梯度匹配的创新聚合技术，通过梯度修改缓解客户端间的梯度冲突提高梯度聚合的有效性。在本地客户端，开发梯度匹配引导的本地训练模型，通过约束输入扰动间的梯度相似性提升本地模型的鲁棒性。

(4) 提出基于CNN-Mamba和因果启发（CSDG）的单源域泛化人脸活体检测算法。首先，构建双流局部CNN分支与全局Mamba分支，前者采用预训练ResNet18网络提取细粒度局部特征，后者基于选择性状态空间机制动态建模长程依赖关系；其次，设计因果干预模块与因果学习模块，前者通过频谱混合和结构破坏对输入数据进行干预，模拟不同环境条件下的域偏移，后者通过最大化干预前后特征表示的相关系数并最小化与负分布的关联，确保学习到的判别特征对非因果混淆因子具有不变性。

主要学术成果

[1] Yan He, Fei Peng, Rizhao Cai, Zitong Yu, Min Long, Kwok-Yan Lam. Category-Conditional Gradient Alignment for Domain Adaptive Face Anti-Spoofing. IEEE Transactions on Information Forensics and Security, vol. 19, pp. 10071-10085, 2024.

[2] Yan He, Fei Peng, Min Long, Kwok-Yan Lam. Causality-Inspired Single-Source Domain Generalization for Face Anti-Spoofing. 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 4925-4929.

[3] Yan He, Fei Peng, Min Long. Dynamic Residual Distillation Network for Face Anti-Spoofing With Feature Attention Learning. IEEE Transactions on Biometrics, Behavior, and Identity Science, vol. 5, no. 4, pp. 579-592, 2023.

[4] Fei Peng, Yan He, Min Long. Gradient Matching Guided Domain Generalization for Federated Face Anti-spoofing. IEEE Transactions on Circuits and Systems for Video Technology（投稿中，导师第一）

[5] Fei Peng, Yan He, Min Long. A Dual-Branch CNN-Mamba Framework for Robust Face Anti-Spoofing. IEEE Signal Processing Letters（投稿中，导师第一）