摘要
指纹展示攻击检测（PAD）仍然是一个未解决的问题，这是因为伪造技术在不断发展，同时传感器和采集条件也存在很大差异。在本文中，我们提出了SFAD-Net，这是一个轻量级的双流空间-频率注意力网络，用于检测指纹展示攻击。该框架结合了互补的空间表示和小波基频率表示，并采用轻量级的注意力引导融合机制来提高判别性特征学习的能力，同时保持计算效率。我们在LivDet 2011、2013和2015数据集上使用标准的内部传感器评估协议对SFAD-Net进行了评估，并在LivDet 2015数据集上进行了额外的跨传感器评估，以研究传感器引起的域变化的影响。结果显示，该方法在LivDet 2011的Sagem传感器上的准确率为99.51%，同时在独立评估的LivDet基准数据集上也保持了强大的内部传感器展示攻击检测性能。在数据集层面，SFAD-Net在LivDet 2011、2013和2015上的平均ACER值分别为1.56%、1.17%和2.60%，并且在所有评估的传感器上都实现了较低的APCER和BPCER。跨传感器评估进一步突出了传感器引起的分布变化所带来的挑战，并为所提出框架在未见传感器条件下的行为提供了额外的见解。广泛的消融研究系统地评估了双流设计、小波基频率表示和注意力引导特征融合的贡献。除了检测性能之外，SFAD-Net包含0.41 M个参数，需要2.56 GFLOPs的计算资源，模型大小为4.86 MB，并在本地计算基准测试中实现了12.31 FPS的处理速度。直接在4 GB的Raspberry Pi 5上部署进一步证明了其实际可行性。在评估的降低精度的表示方法中，FP16显著减少了模型大小，同时保持了接近FP32的PAD性能；而INT8实现了35.99 ms的延迟和27.79 FPS的处理速度，但在评估的LivDet 2015 Crossmatch条件下PAD性能明显下降。
