面向跨数据集掌纹识别的像素与特征联合对齐框架

基于深度学习的掌纹识别算法已展现出巨大潜力。其中多数主要聚焦于识别来自同一数据集的样本。然而，对于训练与测试图像来自不同数据集（如由嵌入式终端与智能手机采集）这一更便捷的场景，它们可能并不适用。因此，我们提出了一种新颖的像素与特征联合对齐（JPFA）框架，用于此类跨数据集掌纹识别场景。我们采用两阶段对齐以获取源域与目标域数据集中的自适应特征。1）采用深度风格迁移模型将源图像转换为伪图像，以缩小数据集间差异并在像素层面进行数据增强。2）提出一种新的深度域适应模型，通过在特征层面对齐目标-源与目标-伪图像对的数据集特有分布来提取自适应特征。我们在多个基准库（包括受限与非受限掌纹数据库）上进行了充分实验。结果表明，我们的 JPFA 优于其他模型，达到了当前最优（state-of-the-art）性能。与基线相比，跨数据集识别准确率最高提升 28.10%，跨数据集验证的等错误率（EER）最高降低 4.69%。为使结果可复现，代码已公开于 http://gr.xjtu.edu.cn/web/bell/resource。