PalmBridge：面向开放集 palmprint 验证的即插即用特征对齐框架
计算机视觉与模式识别
2026-01-29 v1
摘要
掌纹识别在生物识别系统中广泛应用，但由于异构部署条件导致的特征分布偏移，常常使实际性能下降。大多数深度掌纹模型假设封闭且稳定的分布，导致对数据集特定纹理过拟合，而非学习域无关的表征。虽然常用数据增强来缓解此问题，但该方法假设增强样本可近似目标部署分布，在显著域不匹配时常常失败。为此，我们提出PalmBridge，一种基于向量量化的开放集掌纹验证即插即用特征空间对齐框架。不同于仅依赖数据层增强，PalmBridge直接从训练特征中学习一组紧凑的代表向量。在注册和验证期间，每个特征向量被映射到最近的代表向量下的最近距离准则下，随后将映射向量与原始向量混合。此设计抑制由域偏移引起的杂质变化，同时保留判别性身份线索。代表向量通过任务监督、特征一致性目标和正交正则化项联合优化，以形成稳定且结构良好的共享嵌入空间。进一步分析通过分配一致性和碰撞率评估模型对混合权重的敏感性。实验在多个掌纹数据集和主干网络上表明，PalmBridge在内部数据集开放集评估中持续降低EER，并在跨数据集推理中提升表现，同时实现了可忽略甚至适度的运行时开销。
引用
@article{arxiv.2601.20351,
title = {PalmBridge: A Plug-and-Play Feature Alignment Framework for Open-Set Palmprint Verification},
author = {Chenke Zhang and Ziyuan Yang and Licheng Yan and Shuyi Li and Andrew Beng Jin Teoh and Bob Zhang and Yi Zhang},
journal= {arXiv preprint arXiv:2601.20351},
year = {2026}
}