对抗性掩码对比学习用于静脉识别
计算机视觉与模式识别
2024-01-17 v1
摘要
静脉识别因其高安全性和隐私性而受到越来越多的关注。近年来，卷积神经网络和Transformer等深度神经网络被引入静脉识别并取得了最先进的性能。然而，尽管取得了这些进展，由于训练图像样本稀缺，现有的指静脉特征提取方案仍非最优。为了克服这一问题，本文提出了一种对抗性掩码对比学习方法，通过交替优化对比学习模型中的编码器和一组潜变量，生成具有挑战性的样本来训练更鲁棒的对比学习模型，用于下游掌静脉识别任务。首先，生成大量掩码来训练一个鲁棒的生成对抗网络。训练好的生成器将潜变量从潜变量空间转换到掩码空间。然后，我们将训练好的生成器与对比学习模型结合，得到我们的AMCL，其中生成器产生具有挑战性的掩码图像以增加对比损失，而对比学习模型基于更难的图像进行训练以学习更鲁棒的特征表示。训练后，对比学习模型中的训练编码器与分类层结合构建分类器，并在标记训练数据上进一步微调用于静脉识别。在三个数据库上的实验结果表明，我们的方法在提高静脉分类器识别准确率方面优于现有的对比学习方法，并取得了最先进的识别结果。
引用
@article{arxiv.2401.08079,
title = {Adversarial Masking Contrastive Learning for vein recognition},
author = {Huafeng Qin and Yiquan Wu and Mounim A. El-Yacoubi and Jun Wang and Guangxiang Yang},
journal= {arXiv preprint arXiv:2401.08079},
year = {2024}
}