单次学习的眼周识别：探索域适应与数据偏差对深度表征的影响
计算机视觉与模式识别
2023-07-12 v1
摘要
机器学习算法的一个弱点是需要为新任务训练模型。由于数据库的动态调整特性，以及在某些情况下依赖受试者配合收集数据，这给生物特征识别带来了特定挑战。本文中，我们研究了广泛使用的 CNN 模型在极端数据稀缺条件下用于单次（One-Shot）眼周识别（一种生物特征识别任务）时深度表征的行为。我们将 CNN 各层输出作为代表身份的 feature 向量进行分析。我们考察了域适应（Domain Adaptation）对网络层在未见数据上输出的影响，并评估了该方法在最佳性能层的数据归一化与泛化方面的鲁棒性。我们通过利用为 ImageNet 识别挑战赛训练的标准 CNN 和 standard 计算机视觉算法，改进了使用百万级生物特征图像训练并针对目标眼周数据集微调的网络的 state-of-the-art 结果。例如，对于 Cross-Eyed 数据集，在闭世界（Close-World）和开世界（Open-World）协议下，我们分别在眼周情况下将 EER 降低了 67% 和 79%（从 1.70% 和 3.41% 降至 0.56% 和 0.71%）。我们还证明，在传统算法如 SIFT 在有限数据或网络未用测试类训练（如开世界模式）的情况下可超越 CNN。SIFT 单独在 Cross-Eyed 的闭世界和开世界协议下分别将 EER 降低 64% 和 71.6%（从 1.7% 和 3.41% 到 0.6% 和 0.97%），并在 PolyU 数据库的开世界单生物特征情况下降低 4.6%（从 3.94% 到 3.76%）。
引用
@article{arxiv.2307.05128,
title = {One-Shot Learning for Periocular Recognition: Exploring the Effect of Domain Adaptation and Data Bias on Deep Representations},
author = {Kevin Hernandez-Diaz and Fernando Alonso-Fernandez and Josef Bigun},
journal= {arXiv preprint arXiv:2307.05128},
year = {2023}
}
备注
Submitted preprint to IEE Access