基于深度度量学习的开放集静脉生物识别
摘要
大多数前沿静脉识别方法依赖于闭合集分类，这本质上限制了其可扩展性，并阻止了在无需完全重新训练模型的情况下进行新用户的自适应注册。我们严格评估了在严格开放集约束下深度度量学习 (DML) 的计算边界。与标准闭合集方法不同，我们分析了数据稀缺和域迁移对识别性能的影响。我们的ethods learns discriminative L2 归一化嵌入，并采用校准相似性阈值的原型基匹配，以有效区分已登记用户和未知作弊者。我们在覆盖指、腕部和手背静脉的四个多样化数据集上进行评估（MMCBNU 6000、UTFVP、FYO 和一个手背静脉数据集）。在大规模 MMCBNU 6000 基准上，我们的最佳模型（ResNet50-CBAM）实现了 OSCR 为 0.9945，AUROC 为 0.9974，EER 为 1.57%，在保持高识别准确率（99.6% Rank-1）的同时，能够稳健地拒绝未知主体。跨数据集实验评估了框架在不同获取设置下的泛化能力，确认虽然模型能够稳健地处理大规模数据，但在低数据场景中仍对域迁移敏感。消融研究表明，三角形基于目标结合简单 1-NN 分类器在准确率和效率之间提供了最佳权衡，使其能够在普通硬件上实现实时部署。
引用
@article{arxiv.2604.14874,
title = {Open-Set Vein Biometric Recognition with Deep Metric Learning},
author = {Paweł Pilarek and Marcel Musiałek and Anna Górska},
journal= {arXiv preprint arXiv:2604.14874},
year = {2026}
}
备注
This preprint has not undergone peer review (when applicable) or any post-submission improvements or corrections. The Version of Record of this contribution is published in International Conference on Computational Science (ICCS 2026), and is available online at https://doi.org/[pending]