基于深度学习的虹膜识别特征提取：使用现有模型、微调还是从头训练？
计算机视觉与模式识别
2020-02-21 v1
摘要
现代深度学习技术可用于为虹膜识别任务生成有效的特征提取器。问题随之而来：是应该在相对较大的虹膜图像数据集上从头训练此类结构，还是更好地微调现有模型使其适应新领域？在这项工作中，我们探索了流行的ResNet-50架构的五组不同权重，以查明虹膜专用特征提取器是否优于为非虹膜任务训练的模型。从每个卷积层提取特征，并由支持向量机在独立于ResNet-50模型训练样本的数据集上测量分类准确率。我们表明，最优训练策略是将现成的权重微调到虹膜识别领域。该方法比现成权重和从头训练的模型都获得更高的准确率。与先前仅使用现成（未微调）模型进行虹膜特征提取的工作相比，这种获胜的微调方法也显示出性能提升。我们随本文公开了性能最佳的、使用超过360,000张虹膜图像微调的ResNet-50模型。
引用
@article{arxiv.2002.08916,
title = {Deep Learning-Based Feature Extraction in Iris Recognition: Use Existing Models, Fine-tune or Train From Scratch?},
author = {Aidan Boyd and Adam Czajka and Kevin Bowyer},
journal= {arXiv preprint arXiv:2002.08916},
year = {2020}
}
备注
Presented at BTAS 2019