CompactNet：学习用于人脸呈现攻击检测的紧凑空间

基于摘要分析。本文研究人脸呈现攻击检测（PAD），提出 CompactNet，学习针对真实与伪造人脸判别的紧凑空间，而非直接在 RGB、HSV 或 YCbCr 等既有颜色空间中提取分类特征。研究对象是人脸图像安全检测，并非 EEG 或 BCI。 核心机制是将彩色人脸图像输入逐层渐进的空间生成器，在“points-to-center” triplet loss 的优化下，学习类内距离较小、类间距离较大且类别之间保有安全间隔的表示空间；随后使用预训练特征提取器提取该空间中的图像特征，再进行分类。摘要未给出损失的具体数学形式、类别中心构造方式、预训练来源及各模块的训练衔接方式，这些细节尚待全文核对。 作者报告，在 Replay-Attack、OULU-NPU 和 HKBU-MARs V1 三个人脸 PAD 数据库上的实验中，CompactNet 能较好地区分真实与伪造人脸，并显著优于当时的先进 PAD 方法。摘要未提供具体指标、分数、数据划分或基线配置，因此无法量化优势，也不能将其解释为已验证的跨数据集泛化能力；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 研究考察的是任务驱动的表示变换与类中心约束，而非颜色空间本身。原方法围绕带有真假类别的人脸图像学习判别空间；若用于 EEG，需重新设计输入表示、生成器及特征提取器，并检验低信噪比、被试差异和小样本下类别中心不稳定的风险。一个可证伪的小实验是在固定的跨被试划分下，对比同一 EEG 分类器加入或不加入该空间学习模块的结果，保持数据处理和训练预算一致，并仅用训练数据估计类别中心。原领域结果不构成 BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。