面向掌纹识别的物理驱动谱一致联邦学习方法
计算机视觉与模式识别
2023-08-02 v1
摘要
掌纹作为一种生物特征，因其判别能力与鲁棒性近来受到越来越多的关注。然而，现有方法主要在单一光谱内提升掌纹识别性能，难以跨不同光谱进行验证。此外，在基于分布式服务器-客户端的部署中，掌纹识别系统通常要求客户端传输隐私数据至中心服务器进行模型训练，从而引发隐私担忧。为缓解上述问题，本文提出一种面向掌纹识别的物理驱动谱一致联邦学习方法，称为 PSFed-Palm。PSFed-Palm 利用不同波长光谱的固有物理特性，即相似波长下获取的图像呈现出更高的相似性。我们的方法首先根据客户端本地光谱图像的波长范围将其划分为短光谱组与长光谱组。随后，我们引入短光谱与长光谱的锚模型，以约束与长、短光谱图像相关的局部模型的优化方向。具体而言，设计了一种谱一致损失，强制模型参数与特征表示与其对应的锚模型对齐。最后，我们对局部模型施加约束以确保其与全局模型的一致性，有效防止模型漂移。该措施在保证谱一致性的同时保护数据隐私，因为无需共享本地数据。我们进行了大量实验以验证所提 PSFed-Palm 方法的有效性。尽管仅使用有限数量的训练数据，所提 PSFed-Palm 仍展现出引人注目的性能。代码将于 https://github.com/Zi-YuanYang/PSFed-Palm 发布。
引用
@article{arxiv.2308.00451,
title = {Physics-Driven Spectrum-Consistent Federated Learning for Palmprint Verification},
author = {Ziyuan Yang and Andrew Beng Jin Teoh and Bob Zhang and Lu Leng and Yi Zhang},
journal= {arXiv preprint arXiv:2308.00451},
year = {2023}
}