提出一种基于深度残差网络的轻量级指静脉识别算法。首先,以ResNet34为基础,使用深度可分离卷积代替传统卷积,加入SE(Squeeze and Excitation)注意力机制模块来提取手指静脉空间域上的细节特征,并引入宽度缩放因子,进一步压缩网络;其次...提出一种基于深度残差网络的轻量级指静脉识别算法。首先,以ResNet34为基础,使用深度可分离卷积代替传统卷积,加入SE(Squeeze and Excitation)注意力机制模块来提取手指静脉空间域上的细节特征,并引入宽度缩放因子,进一步压缩网络;其次,在训练中引入教师-学生网络模式,对轻量级深度残差网络进行知识蒸馏训练,并使用知识蒸馏损失、CurricularFace和交叉熵损失对网络进行联合监督,解决了轻量级深度残差网络因学习参数量较少引起的性能下降问题。分别在FV-USM数据集、Lab-Normal数据集和Lab-Special数据集上进行仿真实验,结果表明,同基于轻量级网络MobileFaceNet的识别算法相比,提出的算法有效提高了零误识识别率和Top1排序性能。展开更多
针对在传统卷积神经网络(Convolutional neural networks,ConvNet)算法中由于提取的静脉特征信息不足而导致指静脉识别准确率不高的问题,提出了一种基于扩展卷积神经网络与度量学习的指静脉识别算法。该算法通过扩展卷积神经网络的宽度...针对在传统卷积神经网络(Convolutional neural networks,ConvNet)算法中由于提取的静脉特征信息不足而导致指静脉识别准确率不高的问题,提出了一种基于扩展卷积神经网络与度量学习的指静脉识别算法。该算法通过扩展卷积神经网络的宽度与深度来提高ConvNet的学习能力,并使用难样本采样三元组(Triplet hard loss with batch hard mining,TriHard)度量学习函数作为网络损失函数训练网络。此外,针对常用距离度量方法不能有效度量静脉特征之间的相似度的问题,在指静脉识别阶段采用了Wasserstein距离度量方法,以提高同源静脉间的相似度,降低异源静脉间的相似度。仿真实验结果表明:在FV-USM数据集上,指静脉识别准确率达98.33%,较使用ConvNet和常用距离度量方法准确率提高了3.56%;在MMCBNU6000数据集上,指静脉识别准确率达98.02%,较使用ConvNet和常用距离度量方法准确率提高了2.01%。展开更多
文摘提出一种基于深度残差网络的轻量级指静脉识别算法。首先,以ResNet34为基础,使用深度可分离卷积代替传统卷积,加入SE(Squeeze and Excitation)注意力机制模块来提取手指静脉空间域上的细节特征,并引入宽度缩放因子,进一步压缩网络;其次,在训练中引入教师-学生网络模式,对轻量级深度残差网络进行知识蒸馏训练,并使用知识蒸馏损失、CurricularFace和交叉熵损失对网络进行联合监督,解决了轻量级深度残差网络因学习参数量较少引起的性能下降问题。分别在FV-USM数据集、Lab-Normal数据集和Lab-Special数据集上进行仿真实验,结果表明,同基于轻量级网络MobileFaceNet的识别算法相比,提出的算法有效提高了零误识识别率和Top1排序性能。
文摘针对在传统卷积神经网络(Convolutional neural networks,ConvNet)算法中由于提取的静脉特征信息不足而导致指静脉识别准确率不高的问题,提出了一种基于扩展卷积神经网络与度量学习的指静脉识别算法。该算法通过扩展卷积神经网络的宽度与深度来提高ConvNet的学习能力,并使用难样本采样三元组(Triplet hard loss with batch hard mining,TriHard)度量学习函数作为网络损失函数训练网络。此外,针对常用距离度量方法不能有效度量静脉特征之间的相似度的问题,在指静脉识别阶段采用了Wasserstein距离度量方法,以提高同源静脉间的相似度,降低异源静脉间的相似度。仿真实验结果表明:在FV-USM数据集上,指静脉识别准确率达98.33%,较使用ConvNet和常用距离度量方法准确率提高了3.56%;在MMCBNU6000数据集上,指静脉识别准确率达98.02%,较使用ConvNet和常用距离度量方法准确率提高了2.01%。