基于深度多任务学习框架的虹膜分割与定位联合方法
计算机视觉与模式识别
2019-06-20 v2
摘要
由于光照变化、远距离、运动主体和用户配合有限等非配合环境下的因素，虹膜分割与定位具有挑战性。传统方法在面对这些条件下捕获的虹膜图像时往往性能不佳。最近的研究表明，深度学习方法在虹膜分割任务上可以取得令人印象深刻的性能。此外，由于虹膜被定义为瞳孔和巩膜之间的环形区域，可以施加几何约束以帮助更准确地定位虹膜并改善分割结果。在本文中，我们提出了一种称为IrisParseNet的深度多任务学习框架，利用瞳孔、虹膜和巩膜之间的内在相关性，在统一模型中提升虹膜分割与定位的性能。特别地，IrisParseNet首先应用全卷积编码器-解码器注意力网络同时估计瞳孔中心、虹膜分割掩码以及虹膜内外边界。然后，采用一种有效的后处理方法进行虹膜内外圆定位。为了训练和评估所提出的方法，我们手动标注了三个具有挑战性的虹膜数据集，即CASIA-Iris-Distance、UBIRIS.v2和MICHE-I，它们涵盖了各类噪声。在这些新标注的数据集上进行了大量实验，结果表明我们的方法在各种基准上优于SOTA方法。所有真值标注、标注代码和评估协议均公开于https://github.com/xiamenwcy/IrisParseNet。
引用
@article{arxiv.1901.11195,
title = {Joint Iris Segmentation and Localization Using Deep Multi-task Learning Framework},
author = {Caiyong Wang and Yuhao Zhu and Yunfan Liu and Ran He and Zhenan Sun},
journal= {arXiv preprint arXiv:1901.11195},
year = {2019}
}
备注
13 pages