利用有限训练数据训练卷积神经网络用于野外耳纹识别
计算机视觉与模式识别
2019-02-04 v2
摘要
基于耳图像的身份识别是生物特征识别领域一个活跃的研究方向。能够从远距离且以隐蔽方式捕获耳图像，使得耳识别技术成为监控、安全应用及相关应用领域的诱人选择。与其他生物特征模态不同，后者可轻易获取非受控环境下采集的大型数据集，而耳图像数据集规模仍有限且多为实验室级质量。因此，耳识别技术尚未受益于深度学习与卷积神经网络(CNNs)的进展，仍落后于因深度识别技术而获得显著性能提升的其他模态。本文着手解决该问题，旨在构建基于CNN的耳识别模型。我们探索了在训练数据有限情形下的不同模型训练策略，并表明通过选取恰当的模型架构、使用激进的数据增强以及在已有(预训练)模型上进行选择性学习，我们能够利用仅略多于1300张训练图像学习到有效的基于CNN的模型。我们工作的成果是首个基于CNN的耳识别方法，并已向研究界公开。借助我们的模型，在从网络采集(即野外)的具有挑战性的耳图像数据集上，我们将此前最优方法的排名第一识别率提升了逾25%。
引用
@article{arxiv.1711.09952,
title = {Training Convolutional Neural Networks with Limited Training Data for Ear Recognition in the Wild},
author = {Žiga Emeršič and Dejan Štepec and Vitomir Štruc and Peter Peer},
journal= {arXiv preprint arXiv:1711.09952},
year = {2019}
}