使用深度卷积神经网络的耳识别领域自适应
计算机视觉与模式识别
2018-03-22 v1
摘要
在本文中，我们广泛研究了非约束耳识别问题。我们首先展示了当深度卷积神经网络模型用于耳识别时，领域自适应的重要性。为了实现领域自适应，我们使用 Multi-PIE 人脸数据集收集了一个新的耳数据集，将其命名为 Multi-PIE 耳数据集。为了进一步提高性能，我们结合了不同的深度卷积神经网络模型。我们深入分析了耳图像质量（例如光照和纵横比）对分类性能的影响。最后，我们探讨了耳识别领域中的数据集偏差问题。在 UERC 数据集上的实验表明，领域自适应带来了显著的性能提升。例如，当使用 VGG-16 模型并应用领域自适应时，实现了约 10% 的绝对提升。结合不同的深度卷积神经网络模型进一步将准确率提高了 4%。我们还观察到图像质量对结果有影响。在我们为检验数据集偏差而进行的实验中，给定一张耳图像，我们能够以 99.71% 的准确率分类其来源的数据集，这表明耳识别数据集之间存在强烈的偏差。
引用
@article{arxiv.1803.07801,
title = {Domain Adaptation for Ear Recognition Using Deep Convolutional Neural Networks},
author = {Fevziye Irem Eyiokur and Dogucan Yaman and Hazım Kemal Ekenel},
journal= {arXiv preprint arXiv:1803.07801},
year = {2018}
}
备注
12 pages, 7 figures, IET Biometrics