FV-UPatches：增强指静脉识别的通用性
计算机视觉与模式识别
2022-06-03 v1 人工智能
摘要
近年来，许多基于深度学习的模型被引入指静脉识别。然而，这些方案存在数据依赖性，难以实现模型泛化。为解决此问题，我们受域自适应思想启发，提出一种基于通用学习的框架，其在有限数据训练的同时实现泛化。为减小数据分布间差异，引入压缩 U-Net 作为域映射器，将原始感兴趣区域图像映射至目标域。该集中目标域是后续匹配的统一样本特征空间，其中采用局部描述子模型 SOSNet 将图像块嵌入为衡量匹配对相似度的描述子。在所提框架中，域映射器是对特定提取函数的近似，因此训练仅需以有限数据进行一次。此外，局部描述子模型可基于非指静脉图像的公共数据集训练得足够具有代表性。整个流程使框架具备良好泛化能力，从而可增强通用性，并有助于降低数据收集、调参与重训练的成本。在五个公共数据集上媲美当前最优 (SOTA) 性能的试验结果证明了所提框架的有效性。此外，该框架在其他基于静脉的生物识别中亦具应用潜力。
引用
@article{arxiv.2206.01061,
title = {FV-UPatches: Enhancing Universality in Finger Vein Recognition},
author = {Ziyan Chen and Jiazhen Liu and Changwen Cao and Changlong Jin and Hakil Kim},
journal= {arXiv preprint arXiv:2206.01061},
year = {2022}
}