基于全卷积网络与生成对抗网络的鲁棒虹膜分割
计算机视觉与模式识别
2019-01-21 v1
摘要
虹膜因其高度的独特性可被视为最重要的生物特征之一。基于虹膜的生物识别应用主要依赖于虹膜分割，而其在近红外（NIR）与可见光（VIS）等不同环境下的适用性并不鲁棒。本文描述了两种基于全卷积网络（FCNs）与生成对抗网络（GANs）的鲁棒虹膜分割方法。与常规卷积网络类似但去掉了全连接层（即分类层），FCN在其末端采用了来自不同卷积层的池化层组合。基于博弈论，GAN被设计为两个相互竞争以生成最佳分割的网络。所提出的分割网络在所有评估数据集中取得了有前景的结果，包括NIR图像的BioSec、CasiaI3、CasiaT4、IITD-1数据集，以及VIS图像的NICE.I、CrEye-Iris和MICHE-I数据集，涵盖非合作与合作场景，优于文献中迄今发现的最佳基线技术，即在这些数据集上达到了新的state of the art。此外，我们手动标注了来自CasiaT4、CrEye-Iris和MICHE-I数据集的2,431幅图像，并提供掩码以供研究使用。
引用
@article{arxiv.1809.00769,
title = {Robust Iris Segmentation Based on Fully Convolutional Networks and Generative Adversarial Networks},
author = {Cides S. Bezerra and Rayson Laroca and Diego R. Lucio and Evair Severo and Lucas F. Oliveira and Alceu S. Britto and David Menotti},
journal= {arXiv preprint arXiv:1809.00769},
year = {2019}
}
备注
Accepted for presentation at the Conference on Graphics, Patterns and Images (SIBGRAPI) 2018