CASIA-SURF_CeFA 开源项目使用指南

1. 目录结构及介绍

本项目基于Git仓库 AlexanderParkin/CASIA-SURF_CeFA，主要用于实现CVPR2020中提出的面部反欺骗攻击检测挑战解决方案。以下是其主要的目录结构及其简介：

CASIA-SURF_CeFA/
├── at_learner_core                # 核心学习器模块，包含训练和推理的核心逻辑
│   ├── utils                       # 辅助工具，包括Optical Flow相关的代码
│   └── ...                         # 其它相关文件夹和文件
├── data                            # 数据处理和列表准备相关脚本以及数据存放路径指示
│   ├── prepare_lists.py            # 准备训练、验证和测试列表的脚本
│   └── ...                         # 数据集相关配置和文件
├── experiments                     # 实验配置文件夹，每个子文件夹对应一个实验配置
│   ├── rgb_track                   # 与RGB跟踪相关的实验配置
│   │   └── ...                     # 每个实验的详细配置文件
│   └── ...                         # 其他模态或额外实验的配置
├── LICENSE                         # 许可证文件，采用MIT License
├── README.md                       # 项目说明文档
└── scripts                         # 可能包含运行项目所需的脚本文件，如数据准备、训练、预测等

2. 项目的启动文件介绍

主要启动流程

1. 环境搭建与依赖安装: 首先，在项目根目录下创建一个新的Python环境并激活它。

   python -m venv casia_cefa
   source casia_cefa/bin/activate
   pip install -e path/to/at_learner_core/repository/
   

2. 安装PyFlow: 这是用于光学流计算的关键库。

   cd at_learner_core/utils
   git clone https://github.com/pathak22/pyflow
   # 编辑pyflow中的OpticalFlow.cpp以减少日志输出
   # 安装PyFlow库
   pip install cython
   python setup.py build_ext -i
   

3. 数据列表准备与模型训练: 利用prepare_lists.py准备数据列表，并执行相应的训练脚本。例如，对于RGB轨道：

   cd data
   python prepare_lists.py --data_path /path/to/casia/surf/cefa/directory
   cd ../rgb_track
   python configs_final_exp.py
   CUDA_VISIBLE_DEVICES=0 python main.py --config experiments/rgb_track/exp1_protocol_4_1/rgb_track_exp1_protocol_4_1_config
   

4. 预测与评估: 训练完成后，使用特定的配置文件和检查点进行预测。

   CUDA_VISIBLE_DEVICES=0 python test_config.py
   CUDA_VISIBLE_DEVICES=0 python rgb_predictor.py ... # 使用相应的配置文件和模型检查点
   

3. 项目的配置文件介绍

配置文件主要位于experiments文件夹内，其中每一子文件夹代表一组实验设置，如rgb_track。在这些子文件夹中，有多个.py文件，每个文件定义了一个具体的实验配置（比如网络架构、损失函数、优化器参数、训练数据加载方式等）。这些配置文件通过命令行参数指定，来控制训练过程的不同方面。例如：

• exp1_protocol_4_1_config.py: 包含了协议4.1下的实验配置，可能会指定模型结构、训练批次大小、学习率策略等。
• rgb_track_exp1_protocol_4_1_config: 特定于RGB轨迹的实验配置文件，定义模型训练的具体细节。

在具体操作时，用户需根据实际需求修改配置文件或脚本中的参数，确保它们指向正确的数据路径、模型保存路径等，以顺利完成实验流程。