FedPalm：面向封闭式与开放式掌纹识别的通用联邦学习框架
计算机视觉与模式识别
2025-03-10 v1 人工智能
密码学与安全
摘要
当前基于深度学习（DL）的掌纹识别模型依赖于大规模数据集进行集中式训练，由于生物识别数据的敏感性和不可更改性，引发了显著的隐私关注。联邦学习（FL）作为一种隐私保护的分布式学习范式，提供了一种通过无需数据共享即可进行协作模型训练的有力替代方案。然而，FL基于掌纹识别的应用面临两个关键挑战：来自不同身份的样本数据异构性，以及缺乏标准化评估基准。为此本文建立了一个全面的FL掌纹识别基准，显式定义并评估了两个实际场景：封闭式和开放式识别。我们提出FedPalm，一个统一的FL框架，在本地适应性与全局泛化性之间进行平衡。每个客户端训练一个针对本地数据的个人化纹理专家，并协同贡献于用于提取通用特征的共享全局纹理专家。为进一步提升识别性能，我们引入了纹理专家交互模块（Textural Expert Interaction Module），动态路由纹理特征以生成细化的副纹理特征。采用可学习参数来建模原始特征与副特征之间的关系，促进跨纹理专家的交互，提高特征判别力。大量实验验证了FedPalm的有效性，结果表明其在两种场景下均表现稳健，为推动FL基于掌纹识别研究提供了坚实基础。
引用
@article{arxiv.2503.04837,
title = {FedPalm: A General Federated Learning Framework for Closed- and Open-Set Palmprint Verification},
author = {Ziyuan Yang and Yingyu Chen and Chengrui Gao and Andrew Beng Jin Teoh and Bob Zhang and Yi Zhang},
journal= {arXiv preprint arXiv:2503.04837},
year = {2025}
}