cvrl_s1_l2sp_replay
детектор поддельных отпечатков пальцев
2 мин чтенияобновлено
Модель решает задачу Presentation Attack Detection (PAD — выявление атак предъявления) и определяет по изображению, является ли отпечаток пальца живым (live) или поддельным муляжом (spoof). В основе лежит компактная свёрточная архитектура DenseNet-121 (веса занимают всего 28 МБ), дообученная методом L2-SP (регуляризация против катастрофического забывания) с повтором чистых данных. Модель экспортирована в формат TorchScript FP32 (.pt), поэтому загружается напрямую в PyTorch без исходного кода архитектуры. Подойдёт разработчикам биометрических систем контроля доступа и платежных сервисов, которым нужна лёгкая локальная защита от подделки отпечатков.
Ключевые особенности
- Автономный формат TorchScript: файл
.ptвесом ~29,1 МБ поддерживает динамический размер батча и запускается без сторонних определений классов. - Точная конвертация: максимальное расхождение (
max_abs_diff) с оригинальной моделью PyTorch FP32 составляет0.0приbatch = 1иbatch = 5. - Высокие метрики на LivDet: на тесте
LivDet 2015(23 материала подделок) точность (ACC) достигает 99.08% приROC-AUC0.9996. - Прозрачная спецификация: в репозиторий включены
manifest.jsonс описанием тензоров и контрольные суммыSHA256SUMS.
Что можно сделать
- Встроить в биометрический сканер: подключить проверку подлинности отпечатка перед этапом распознавания личности на CPU или GPU через
PyTorch. - Использовать схему
adaptive_multipatch: подавать 5 кропов одного отпечатка батчем, усреднять логиты и отсекать подделки по порогуscore_spoof >= 0.50. - Проверить устойчивость к генеративным фейкам: использовать как базовый детектор против синтетических подделок (на наборе
LayerStack V10модель ловит 98.18% атак).
Пример
import torch
model = torch.jit.load("cvrl_densenet121_s1_l2sp_replay_224_torchscript_fp32.pt", map_location="cpu").eval()
x = torch.randn(5, 3, 224, 224, dtype=torch.float32) # RGB-кропы после нормализации ImageNet
with torch.no_grad():
probs = torch.softmax(model(x).mean(dim=0), dim=-1)
pred = "spoof" if float(probs[1]) >= 0.50 else "live"
print(pred, float(probs[1]))
Подробнее
Бенчмарк LivDet 2009–2013 (29 892 фото, 11 сенсоров): ACC 97.01%, ACER 3.00%, ROC-AUC 0.9955.Бенчмарк LivDet 2015 Testing (10 443 фото, 4 сенсора): ACC 99.08%, APCER 0.64%, BPCER 1.29%, ACER 0.96%.
Бенчмарк LayerStack V10 (2 473 синтетические подделки): обнаружение 98.18% (98.71% на CrossMatch, 97.40% на GreenBit).
Вход: float32 тензор [batch, 3, 224, 224] в RGB с нормализацией ImageNet; выход: логиты [batch, 2].










Комментарии