基于不同获取距离下CNN的互补性与可解释性探索：用于外眼区域验证
计算机视觉与模式识别
2025-10-31 v1
摘要
我们研究了在UBIPr数据库上进行不同距离下的外眼区域验证中不同CNN之间的互补性。我们在来自VGGFace2的大量眼部裁剪图像上训练了三个复杂度递增的网络架构（SqueezeNet、MobileNetv2和ResNet50）。我们分析了使用余弦和chi2指标后的性能，比较了不同的网络初始化方式，并应用基于逻辑回归的得分级融合。此外，我们使用LIME热图和Jensen-Shannon散度来比较CNN的注意力模式。虽然ResNet50在单个网络中始终表现最佳，但融合方法在不同距离组合时提供了显著的性能提升，尤其是当组合所有三个网络时。热图显示，网络通常会关注给定图像的不同区域，这解释了它们的互补性。我们的方法在UBIPr上实现了超越前期工作的性能，达到了新的状态突破。
引用
@article{arxiv.2510.26282,
title = {Exploring Complementarity and Explainability in CNNs for Periocular Verification Across Acquisition Distances},
author = {Fernando Alonso-Fernandez and Kevin Hernandez Diaz and Jose M. Buades and Kiran Raja and Josef Bigun},
journal= {arXiv preprint arXiv:2510.26282},
year = {2025}
}
备注
Accepted at BIOSIG 2025 conference