Page 487 - 《软件学报》2025年第9期

4398 软件学报 2025 年第 36 卷第 9 期

低了 2.7% 和 3.1%. 同时, 与其他主流方法相比, 本文方法基于域泛化技术的同时引入了新型的特征提取骨干网络
与特征融合方法, 实验结果有着显著的提升, 再次有力地验证了本文所提方法的有效性.

表 5 有限源域上的测试结果 (%) 表 6 CASIA-FASD 与 Replay-Attack 上的

M&I to C M&I to O 跨域实验结果 (%)
方法
HTER AUC HTER AUC 评估结果 (HTER)
MS-LBP [36] 51.16 52.09 43.63 58.07 方法 C to I I to C
IDA [26] 45.16 58.80 54.52 42.17 STASN [37] 31.5 30.9
LBP-TOP [28] 45.27 54.88 47.26 50.21 Color Texture [29] 30.3 37.7
MADDG [7] 41.02 64.33 39.35 65.10 Attention [38] 30.0 33.4
SSDG-M [20] 31.89 71.29 36.01 66.88 De-Spoof [39] 28.5 41.1
DR-MD-Net [19] 31.67 75.23 34.02 72.65 Auxiliary [3] 27.6 28.4
ASMN [40] 27.4 28.1
ANRL [33] 31.06 72.12 30.73 74.10
Identity-DS [41] 27.1 31.4
SSAN-M [8] 30.00 76.20 29.44 76.62
DRL [16] 22.4 30.3
本文方法 22.45 86.03 21.84 83.29 [42]
GFA-CNN 21.4 34.3
[8]
SSAN-M 15.0 25.6
本文方法 12.3 22.5
综上所述, 从 4 个主流数据集上的各个对比实验可以看出, 本文方法通过优化特征提取骨干网络与特征融合
模块, 成功得到更为丰富的特征, 通过新型对比策略使得模型训练更加鲁棒. 模型在不同策略下的跨域测试中, 都
表现得比同类主流方法更好.

3.5 结果讨论与可视化
本文方法使用二值监督损失、对抗损失和对比损失函数对模型进行监督, 为了分析本文所采用的多任务联合
监督方式对模型的作用, 本节对使用不同损失函数下的特征分布进行了可视化操作, 如图 6 所示. 图 6(a)、(b) 和
L cls 、 L adv 、 L contra 在 O&C&I to M 协议上的特征分布. 其中, 粉色代表正样本
(c) 分别表示使用 L cls + L cls + L adv +
(即真实人脸), 紫色代表负样本 (即欺诈人脸), 圆形和三角形分别为源域和目标域的样本.

源域正样本 目标域正样本 源域负样本 目标域负样本

(a) 仅使用 L cls (b) 使用 L cls +L adv (c) 使用 L cls +L adv +L contra
图 6 不同损失函数下的特征分布

从图 6 中可以看出, 在仅使用分类损失的情况下, 模型一定程度上可对真伪人脸进行区分, 但对于目标域中的
样本模型的区分能力不够理想, 表现在图中仍存在目标域中的正样本与负样本交叠的情况, 分析原因为仅使用二
值监督的方式往往只对于已知的数据域具有较好的区分效果, 对于未知的数据域, 域间数据的差异会给模型带来
极大的干扰, 从而影响模型的最终性能. 对于图 6(b), 其在前者的基础上加入对模型进行约束, 较好地提升了模型