G-MSGINet：用于接触less指纹识别的分组多尺度图- involution网络
计算机视觉与模式识别
2025-05-15 v2
摘要
本文提出了G-MSGINet，这是一个统一且高效的框架，用于从原始输入图像中直接执行指纹细节定位和身份嵌入，以实现稳健的接触less指纹识别。现有方法依赖多分支架构、方向标签或复杂的预处理步骤，这些限制了其在实际获取场景下的可扩展性和泛化能力。相比之下，所提出的架构引入了GMSGI层，是一个新的计算模块，将分组像素级involution、动态多尺度核生成和图基关系建模集成到单个处理单元中。堆叠的GMSGI层通过端到端优化逐步细化局部细节敏感特征和全局拓扑表示。该架构消除了显式的方向监督，能够直接从学习的核描述符中适应图的连通性，从而在没有固定启发式方法的情况下捕获指纹区域之间的有意义结构关系。在三个基准数据集上进行的广泛实验，包括PolyU、CFPose和Benchmark 2D/3D，显示出G-MSGINet在指纹F1分数范围为，Rank-1识别准确率在97.0%至99.1%之间，同时Equal Error Rate (EER)保持在0.5%以下。这些结果在使用仅0.38 million参数和6.63 giga浮点运算的情况下，相较于先前方法实现了最高4.8%的F1分数提升和1.4%的Rank-1准确率提升，这相当于比竞争基线多达十倍的参数数量。这突显了G-MSGINet在实际接触less生物识别场景中的可扩展性和有效性。
引用
@article{arxiv.2505.08233,
title = {G-MSGINet: A Grouped Multi-Scale Graph-Involution Network for Contactless Fingerprint Recognition},
author = {Santhoshkumar Peddi and Soham Bandyopadhyay and Debasis Samanta},
journal= {arXiv preprint arXiv:2505.08233},
year = {2025}
}