用于保护虹膜生物识别系统的表现攻击检测的三类串行模型显示，在国际竞争中被证明有效的两级方法。
关于'的论文使用一系列专门的深度学习网络进行虹膜livese检测'描述了赢得的技术LIFT-IRIS 2020竞争，并使用三个和四级模型扩展它。该论文是由Juan Tapia Farias，SebastiánGonzálezSandoval和Christoph Busch撰写的，并在本周在国际生物识别联合会议上发表（IJCB 2022）在阿布扎比。
研究人员建立了一个大型的虹膜演示攻击数据集，并着重于检测真正的图像。这与现有的有关虹膜垫的研究形成鲜明对比，后者倾向于解决特定的攻击载体。
两级模型达到了0.99％的BPCER10（BONA FIDE分类错误率），三级模型返回0.16％，四级模型得分为0.83％。对于BPCer20，两级和四级模型的值上升到3％以上，但三级模型再次返回0.16％。
研究还表明，输入图像224 x 224像素足以检测真正的虹膜，但是PAD结果以448 x 448像素图像改善。
报告作者使用积极的数据扩展来培训经过改进的MobilenetV2网络，并通过从头开始进行微调或训练的网络进行了五次实验。
研究人员总结说：“当从头开始训练时，我们建议的网络使我们能够使用更具挑战性的PAI物种来补充Livdet-IRIS 2020竞赛的结果。” “在使用微调时，模型性能与网络中冻结的层数成比例恶化。尽管如此，使用微调的结果与文献具有竞争力。”
