双重注意力机制下的跨光谱虹膜识别优化算法

跨光谱虹膜识别任务,通常是指匹配不同光谱下采集的虹膜图像,针对光谱域变化对虹膜识别率影响的问题,提出一种基于双重注意力机制下的跨光谱虹膜识别优化算法。该算法首先通过浅层网络的特征提取,将可见光与近红外光谱域中的浅层特征送入各自的专有外部注意力模块进行优化,以分别存储各自光谱域中虹膜样本数据集的特有信息,随后将优化后的浅层特征送入共享的深度特征提取网络,再将深度特征先后送入改进的空间注意力模块和外部注意力模块,强化虹膜关键特征信息的表达,同时以改进的加性角间距损失函数ArcFace Loss(additive angular margin loss)动态调整对于困难样本的优化力度。该算法在PolyU数据集上进行了实验验证,等错误率EER(equal error rate)达到了0.23%,分离度达到了8.56,该实验结果与跨光谱虹膜识别SOTA(state-of-the-art)算法进行了比较,远高于其他主流算法。

一种基于深度学习方法的面部微变识别的研究

随着人们对美好事物的向往,人脸整容成了很多人的选择,然而微整的人脸五官在一定程度上对人脸识别工作带来了一定的困难.该研究利用深度学习方法对人脸特征小幅度整容(微修整)前后进行识别研究.首先用python爬虫合法获取明星图片,自制小型人脸数据集,再利用Keras框架和卷积神经网络架构中的残差网络Resnet50,以ArcFace loss作损失函数构建分类网络模型对人脸进行识别.仿真实验表明,ArcFace loss与SoftMax loss相比具有较好的鲁棒性.