看到大局對於完成某些任務很有用，但是它引入了可能使地面上的事情混淆的無關細節。顯然，用於生物識別驗證的演示攻擊檢測中也是如此。
行業資助的研究火雞表明訓練基於深度學習可能更有效演示攻擊檢測僅使用來自現場和欺騙面部圖像的小方斑塊的型號。
這意味著要緊密地裁剪面部圖像，即真實或假貨，以刪除盡可能多的非面積生物識別數據，然後將該圖像分解為32 x 32像素貼片。這些方塊被縫合成更大的圖像集，其中包括真正的文章以及製成面的斑塊。
在實驗中，斑塊是隨機組裝的，或者在設計中組裝在一起，隨機模式效果更好。
三名研究人員中的兩個正在從事專案來自伊斯坦布爾技術大學的計算機工程部門。第三件作品是Sodec Technologies，這是一家位於伊斯坦布爾的KYC軟件公司。
該團隊在其研究中使用了四個數據集，其中之一是現實世界，由sodec，它提供了研究贈款並幫助收集圖像。土耳其技術研究委員會也支持這項工作。
卷積神經網絡通常在培訓模型中用於演示攻擊檢測，撰寫研究人員，但至少在這一領域，它們實際上只能在DATA內部效果很好。
他們從數據集中的集體背景信息中獲取微妙的線索，當馬似乎能夠計數時，這可能會產生這樣的動態，但實際上只是讀取教練的微妙信號。
添加新的生物識別培訓師，或在這種情況下為實時數據，結果不太有趣。
盡可能緊密地裁剪面部圖像，以最大程度地減少其他數據，然後將它們分解，迫使模型完全專注於最重要的位。這也意味著研究人員可以使用總體上包含較少受試者的數據集。
有些補丁的信息太少了，例如額頭，例如額頭，並被收藏中擊中。
