StarLKNet: 结合大核网络与Star Mixup的掌静脉识别

作为新一代生物特征识别的代表，静脉识别技术提供了高安全性和便利性。卷积神经网络（CNN）作为深度学习架构的杰出代表，已被广泛用于静脉识别。然而，由于它们的性能和鲁棒性受到小有效感受野（例如3×3卷积核）和训练样本不足的限制，无法有效提取静脉图像的全局特征表示。为了解决这些问题，我们提出了StarLKNet，一种基于大核卷积的掌静脉识别网络，结合了Mixup方法。我们的StarMix有效学习静脉特征的分布以扩充样本。为了使CNN能够从掌静脉图像中捕获全面的特征表示，我们探索了卷积核大小对掌静脉识别网络性能的影响，并设计了LaKNet，一种利用大核卷积和门控机制的网络。据我们所知，这是首次在大核卷积的CNN在静脉识别领域的应用。在两个公开掌静脉数据集上进行了大量实验验证StarLKNet的性能。结果表明，与主流方法相比，StarMix提供了更优的数据增强，LaKNet表现出更稳定的性能提升，实现了最高的识别准确率和最低的识别错误率。