Benchmarking Lightweight Deep Learning Models for In-Vehicle Face Anti-Spoofing
Notice bibliographique
Résumé
In-vehicle face anti-spoofing (FAS) is a crucial security requirement for automotive facial authentication systems in modern cars. Given the demanding cabin environments and limited computational resources, VFPAD (in-Vehicle Face Presentation Attack Detection) dataset, a benchmark for NIR (near infrared)-based in-vehicle presentation attack detection, is used in this case study to evaluate six lightweight deep learning architectures: FeatherNetB, MobileNetV3-small, MiniFASNetV2, MobileNetV4-small, MobileViTV3-XS, and EfficientNetV2-B0. Using a consistent training protocol with transfer learning and fine-tuning, we assess each model according to its classification performance (average classification error rate (ACER), accuracy, and F1 score) and efficiency (floating point operations per second (FLOPS) and number of model parameters). According to experimental results, more recent mobile-oriented deep neural networks (DNNs)-MobileNetV4 and EfficientNetV2-B0 in particular-perform better than older and transformer-based designs, achieving ACERs as low as 0.0086 while keeping latency and model sizes small. Our results highlight the feasibility of implementing real-time FAS systems in vehicular environments with contemporary lightweight architectures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».