带卷积块注意力模块的卷积神经网络用于指静脉识别

卷积神经网络因其强大的图像特征表示能力，已成为指静脉识别领域的研究热点。然而，大多数研究者专注于通过增加 CNN 的深度和宽度来提升网络性能，这往往需要较高的计算代价。此外，我们可以注意到，不仅不同通道中像素的重要性不同，而且同一通道中不同位置的像素重要性也不同。为降低计算代价并兼顾像素的不同重要性，我们提出了一种带有卷积块注意力模块（CBAM）的轻量卷积神经网络用于指静脉识别，该网络可通过注意力机制更准确地捕获视觉结构。首先，图像序列被输入我们设计的轻量卷积神经网络以改进视觉特征。之后，它借助卷积块注意力模块以自适应方式学习分配特征权重。实验在两个公开数据库上进行，结果表明所提方法在多模态手指识别中实现了稳定、高精度且鲁棒的性能。