Was ist das zuverlässigste Modell und der zuverlässigste Datensatz zur Gesichtserkennung für mobile Apps in der realen W ⇐ Python

[Anonymous]

Ich arbeite an der Erkennung der Gesichtslebendigkeit (Anti-Spoofing) für reale mobile Apps (Flutter) und habe Mühe, außerhalb kontrollierter Datensätze eine zuverlässige Leistung zu erzielen.
Was ich erreichen möchte

• Ein produktionsreifes Gesichtslebendigkeitsmodell, das funktioniert auf:
  
  Wiederholungen des Telefonbildschirms
• gedruckte Fotos
• unterschiedliche Lichtverhältnisse
• verschiedene Hauttöne und Geräte

[*]Das Modell sollte verwendbar sein in Mobile Apps (vorzugsweise ONNX oder TFLite für Flutter)

[*]Der Fokus liegt auf realer Genauigkeit, nicht auf Benchmark-Ergebnissen



Was ich versucht habe

• Training von CNN-basierten RGB-Liveness-Modellen (MobileNet-Varianten)
• Verwendung gemischter Datensätze (echt + falsch):
  
  Telefonwiedergabebilder
• gedruckte Fotoangriffe
• benutzerdefinierte gesammelte Bilder

[*]Feinabstimmung vorab trainierter Modelle

[*]Anwenden der Standardvorverarbeitung:

• Gesichtserkennung + Zuschneiden
• Normalisierung

[*]Protokollierung Vorhersagen pro Bild, um falsch-positive Ergebnisse zu analysieren


Trotzdem:

• Gefälschte Bilder (insbesondere Telefonwiedergaben) werden oft als LIVE
• Modelle funktionieren bei Validierungssätzen gut, scheitern jedoch im realen Gebrauch
• Zunehmend Vertrauensschwellen helfen nur teilweise

Einschränkungen

• Keine Tiefenkamera/IR-Sensor (nur RGB)
• Muss auf Consumer-Android-Geräten ausgeführt werden
• Latenz und Modellgröße sind wichtig
• Bevorzugen Sie Lösungen, die realistisch in der Produktion eingesetzt werden können

Was ich suche

• Empfohlene Datensätze, die sich gut auf reale Parodien übertragen lassen Angriffe
• Trainingsstrategien, die tatsächlich die Robustheit verbessern (nicht nur die Benchmark-Genauigkeit)
• Ob nur RGB-Lebendigkeit für den Produktionseinsatz grundsätzlich eingeschränkt ist
• Vorschläge für bessere Ansätze (z. B. bewegungsbasiert, Challenge-Response, Hybrid). Methoden)
• Alle produktionserprobten Modelle oder Formate, die für Mobilgeräte geeignet sind (ONNX / TFLite)

Klarstellung
Ich bin nicht auf der Suche nach Genauigkeit auf Demo-Niveau oder akademischen Ergebnissen.

Ich möchte etwas, das unter realen Benutzerbedingungen zuverlässig funktioniert.
Jede Anleitung von Leuten, die Liveness-Erkennung in der Produktion eingesetzt haben, wäre wirklich hilfreich.