科研之友
微信
新浪微博
Facebook
分享链接
摘要
深度学习技术在手指静脉识别任务中展现出显著的性能优势和潜力.但是，由于其昂贵的训练开销以及不同数据集间存在的类别和分布差异，在某个数据集表现优异的模型可能难以高效应用到新数据或者在新数据上表现不佳.针对识别系统被应用到不同使用群体和设备的实际情景，为了实现模型在不同数据上的高效应用并保持其优良性能，文中提出面向跨数据集指静脉识别的可快速迁移模型，包含两个学习阶段的解决方案.首先，为了得到一个可以较好泛化到未见目标数据的深度模型，在第一阶段提出基于特征对齐和聚类的领域适应算法，引导网络提取有判别力且鲁棒的特征.然后，为了减小图像中由偏差场引起的数据集差异，提出一个偏差场校正网络，消除偏差，并调整潜在分布，使其更相似.最后，为了将模型高效迁移到目标数据并充分利用新数据的模版信息，在执行快速迁移的第二阶段中，设计具有更快学习速度的基于改进极限学习机的分类器，利用它的学习算法，加速模型的迁移训练.在四个公开指静脉数据库上的实验表明，文中模型能够在实现高效迁移的同时，取得与在目标任务上进行充分端到端训练的最佳方法同等的识别性能.对于常见的应用场景，能满足实时部署的需求，从而为深度学习技术在跨数据集指静脉识别应用提供一套可行的解决方案.
- 单位
