AILearn：一种用于伪造指纹检测的自适应增量学习模型
机器学习
2021-01-01 v1 计算机视觉与模式识别
摘要
增量学习使学习器能够在不重新训练现有模型的情况下容纳新知识。这是一项具有挑战性的任务，需要从新数据中学习并保留从先前访问的数据中提取的知识。这一挑战被称为稳定性-可塑性困境。我们提出AILearn，一种用于增量学习的通用模型，它通过将在新数据上训练的基分类器集成与当前集成仔细整合，而无需使用全部数据从头重新训练模型，从而克服稳定性-可塑性困境。我们在伪造指纹检测应用上展示了所提出的AILearn模型的有效性。与伪造指纹检测相关的一个重大挑战是使用新制作材料生成的伪造指纹上的性能下降。AILearn是一种自适应增量学习模型，它适应“活体”和“伪造”指纹图像的特征，并在新数据可用时高效识别新伪造指纹以及已知伪造指纹。据我们所知，AILearn是增量学习算法中首个适应数据属性以生成多样化基分类器集成的尝试。通过在标准高维数据集LivDet 2011、LivDet 2013和LivDet 2015上进行的实验，我们表明对新伪造材料的性能提升显著较高。平均而言，我们在连续学习阶段之间实现了的准确率提升。
引用
@article{arxiv.2012.14639,
title = {AILearn: An Adaptive Incremental Learning Model for Spoof Fingerprint Detection},
author = {Shivang Agarwal and Ajita Rattani and C. Ravindranath Chowdary},
journal= {arXiv preprint arXiv:2012.14639},
year = {2021}
}