用于生物特征分析的 TinySiamese 网络
计算机视觉与模式识别
2023-07-04 v1
摘要
生物特征识别是在图像或视频中验证或分类人体特征的过程。这是一项复杂任务，需要包括卷积神经网络（CNN）与 Siamese 网络在内的机器学习算法。此外，将这些算法用于图像验证与分类任务时存在若干局限。事实上，训练可能计算密集，需要专用硬件与大量计算资源来训练和部署。而且，它需要大量标注数据，获取过程耗时且昂贵。所提 TinySiamese 相较于标准 Siamese 的主要优势在于其训练不需要整个 CNN。事实上，使用预训练 CNN 作为特征提取器，并以 TinySiamese 学习所提取特征，在生物特征验证中给出了与标准 Siamese 几乎相同的性能与效率。以此方式，TinySiamese 以不超过 7 层的小层数解决了内存与计算时间问题。它可在配备普通 GPU 且无法分配大 RAM 空间的低功耗机器上运行。使用仅 8 GB 内存的 TinySiamese，在 B2F（指纹与人脸生物特征图像）、FVC2000、FVC2002 与 FVC2004 上匹配时间减少了 76.78%，而在 B2F、FVC2002、THDD-part1 与 CASIA-B 数据集上 10 轮训练时间下降约 93.14%。指纹、步态（NM-角度 180 度）与人脸验证任务的准确率分别比标准 Siamese 高 0.87%、20.24% 与 3.85%。TinySiamese 在指纹与步态分类任务上取得了与相关工作的可比准确率。
引用
@article{arxiv.2307.00578,
title = {TinySiamese Network for Biometric Analysis},
author = {Islem Jarraya and Tarek M. Hamdani and Habib Chabchoub and Adel M. Alimi},
journal= {arXiv preprint arXiv:2307.00578},
year = {2023}
}